論文の概要: TypeNet: Deep Learning Keystroke Biometrics

• arxiv url: http://arxiv.org/abs/2101.05570v2
• Date: Thu, 18 Feb 2021 17:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 00:51:13.013170
• Title: TypeNet: Deep Learning Keystroke Biometrics
• Title（参考訳）: TypeNet: ディープラーニングのキーストロークバイオメトリクス
• Authors: Alejandro Acien and Aythami Morales and John V. Monaco and Ruben Vera-Rodriguez and Julian Fierrez
• Abstract要約: TypeNetは、アイデンティティ毎に適度な数のキーストロークでトレーニングされた、リカレントニューラルネットワークである。 5つのギャラリーシーケンスと長さ50のテストシーケンスにより、TypeNetは最先端のキーストロークバイオメトリック認証性能を実現します。 実験では,最大10,000人の被験者による誤りの程度の増加を実証し,インターネット規模でのTypeNetの運用の可能性を示した。
• 参考スコア（独自算出の注目度）: 77.80092630558305
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study the performance of Long Short-Term Memory networks for keystroke biometric authentication at large scale in free-text scenarios. For this we introduce TypeNet, a Recurrent Neural Network (RNN) trained with a moderate number of keystrokes per identity. We evaluate different learning approaches depending on the loss function (softmax, contrastive, and triplet loss), number of gallery samples, length of the keystroke sequences, and device type (physical vs touchscreen keyboard). With 5 gallery sequences and test sequences of length 50, TypeNet achieves state-of-the-art keystroke biometric authentication performance with an Equal Error Rate of 2.2% and 9.2% for physical and touchscreen keyboards, respectively, significantly outperforming previous approaches. Our experiments demonstrate a moderate increase in error with up to 100,000 subjects, demonstrating the potential of TypeNet to operate at an Internet scale. We utilize two Aalto University keystroke databases, one captured on physical keyboards and the second on mobile devices (touchscreen keyboards). To the best of our knowledge, both databases are the largest existing free-text keystroke databases available for research with more than 136 million keystrokes from 168,000 subjects in physical keyboards, and 60,000 subjects with more than 63 million keystrokes acquired on mobile touchscreens.
• Abstract（参考訳）: キーストローク生体認証のための長期短期記憶ネットワークの性能を,フリーテキストシナリオにおいて大規模に検討した。 このために、idごとに適度な数のキーストロークでトレーニングされたリカレントニューラルネットワーク(recurrent neural network, rnn)であるtypenetを紹介する。 我々は,損失関数(ソフトマックス,コントラスト,トリプルト損失),ギャラリーサンプル数,キーストローク配列の長さ,デバイスタイプ(物理対タッチスクリーンキーボード)によって異なる学習方法を評価する。 5つのギャラリーシーケンスと長さ50のテストシーケンスでtypenetは、物理キーボードとタッチスクリーンキーボードでそれぞれ2.2%と9.2%のエラー率で最先端のキーストローク生体認証性能を実現している。 実験では,最大10,000人の被験者による誤りの程度の増加を示し,インターネット規模でのTypeNetの運用の可能性を示した。 2つのAalto Universityキーストロークデータベースを使用し、1つは物理キーボードで、もう1つはモバイルデバイス(タッチスクリーンキーボード)で取得する。 私たちの知る限り、両方のデータベースは、物理キーボードで16万8000人の被験者から1億3600万件以上のキーストローク、モバイルタッチスクリーンで6300万件以上のキーストロークを入手した6万件の被験者を対象に、研究用に利用可能な最大規模のフリーテキストキーストロークデータベースである。

関連論文リスト

• TapType: Ten-finger text entry on everyday surfaces via Bayesian inference [32.33746932895968]
  TapTypeは、受動的表面のフルサイズのタイピングのためのモバイルテキスト入力システムである。 バンド内の慣性センサーから、TapTypeは、表面タップと従来のQWERTYキーボードレイアウトをデコードして関連付ける。
  論文  参考訳（メタデータ） (2024-10-08T12:58:31Z)
• Blind-Touch: Homomorphic Encryption-Based Distributed Neural Network Inference for Privacy-Preserving Fingerprint Authentication [8.61984933438984]
  ホモモルフィック暗号化は、復号化せずにデータ上に暗号化された計算を可能にする。 Blind-Touchは、機械学習操作を実行しながら、サーバに指紋データを暗号化しておくことができる。 Blind-Touchは、2つのベンチマーク指紋データセットで高い精度を達成する。
  論文  参考訳（メタデータ） (2023-12-18T09:05:34Z)
• OverHear: Headphone based Multi-sensor Keystroke Inference [1.9915929143641455]
  我々は,ヘッドホンの音響および加速度計データを活用するキーストローク推論フレームワークを開発した。 メカニカルキーボードのキー予測精度は,メカニカルキーボードのキー予測精度が約80%,膜キーボードのキー予測精度が約60%である。 その結果,現実シナリオの文脈におけるアプローチの有効性と限界が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-11-04T00:48:20Z)
• TypeFormer: Transformers for Mobile Keystroke Biometrics [11.562974686156196]
  本稿では,ユーザ認証のためにモバイルデバイス上で実行される自由テキストキーストロークダイナミクスをモデル化するトランスフォーマーアーキテクチャを提案する。 TypeFormerは、50キーストロークの5つのエンローメントセッションのみを使用して、EER(Equal Error Rate)の値が3.25%に達する現在の最先端システムよりもパフォーマンスがよい。
  論文  参考訳（メタデータ） (2022-12-26T10:25:06Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• TapNet: The Design, Training, Implementation, and Applications of a Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
  本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。 TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
  論文  参考訳（メタデータ） (2021-02-18T00:45:41Z)
• On the Inference of Soft Biometrics from Typing Patterns Collected in a Multi-device Environment [47.37893297206786]
  本稿では,マルチデバイス環境における117人を対象に,性別,メジャー/マイナー,タイピングスタイル,年齢,身長の推測を行った。 分類タスクでは、6つの古典的機械学習(ML)と4つのディープラーニング(DL)分類器のパフォーマンスをベンチマークする。 この研究で挙げられた様々なアプリケーションシナリオを考慮して、結果は有望です。
  論文  参考訳（メタデータ） (2020-06-16T20:25:58Z)
• Keystroke Biometrics in Response to Fake News Propagation in a Global Pandemic [77.79066811371978]
  本研究では,キーストロークバイオメトリックスを用いたコンテンツ匿名化手法の提案と解析を行う。 フェイクニュースは、特に主要なイベントにおいて、世論を操作する強力なツールとなっている。
  論文  参考訳（メタデータ） (2020-05-15T17:56:11Z)
• TypeNet: Scaling up Keystroke Biometrics [79.19779718346128]
  まず、リカレントニューラルネットワーク(RNN)を用いて、ユーザ毎のデータ量が不足している場合に、ユーザを認証できる範囲を分析した。 ネットワークのテストに1Kのユーザがいるため、TypeNetのエラー率は4.8%である。 ユーザ毎のデータ量と同じで、テストユーザ数が100Kまでスケールアップされるため、1Kと比較してパフォーマンスは5%以下に低下する。
  論文  参考訳（メタデータ） (2020-04-07T18:05:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。