論文の概要: Computer Users Have Unique Yet Temporally Inconsistent Computer Usage Profiles

• arxiv url: http://arxiv.org/abs/2105.09900v1
• Date: Thu, 20 May 2021 17:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:30:41.446031
• Title: Computer Users Have Unique Yet Temporally Inconsistent Computer Usage Profiles
• Title（参考訳）: コンピュータユーザーには、一貫したコンピュータ利用プロファイルがある
• Authors: Luiz Giovanini, Fabr\'icio Ceschin, Mirela Silva, Aokun Chen, Ramchandra Kulkarni, Sanjay Banda, Madison Lysaght, Heng Qiao, Nikolaos Sapountzis, Ruimin Sun, Brandon Matthews, Dapeng Oliver Wu, Andr\'e Gr\'egio, Daniela Oliveira
• Abstract要約: 8週間にわたって、28のMS Windows 10コンピュータユーザーから、生態学的に有意なコンピュータ利用プロファイルを収集した。 ネットワーク関連イベントは、プロファイルを適切に認識するための最も有用な機能である(ユーザーをネットワーク関連と区別する上位機能の95.14%)。 オンラインモデルは、オフラインモデルよりもコンピュータ使用率プロファイルを扱うのに適している。
• 参考スコア（独自算出の注目度）: 21.23001154067576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates whether computer usage profiles comprised of process-, network-, mouse- and keystroke-related events are unique and temporally consistent in a naturalistic setting, discussing challenges and opportunities of using such profiles in applications of continuous authentication. We collected ecologically-valid computer usage profiles from 28 MS Windows 10 computer users over 8 weeks and submitted this data to comprehensive machine learning analysis involving a diverse set of online and offline classifiers. We found that (i) computer usage profiles have the potential to uniquely characterize computer users (with a maximum F-score of 99.94%); (ii) network-related events were the most useful features to properly recognize profiles (95.14% of the top features distinguishing users being network-related); (iii) user profiles were mostly inconsistent over the 8-week data collection period, with 92.86% of users exhibiting drifts in terms of time and usage habits; and (iv) online models are better suited to handle computer usage profiles compared to offline models (maximum F-score for each approach was 95.99% and 99.94%, respectively).
• Abstract（参考訳）: 本稿では,プロセス,ネットワーク,マウス,キーストローク関連イベントからなるコンピュータ使用プロファイルが,自然主義的な環境でユニークかつ時間的に一貫性のあるものであるかどうかを検証し,連続認証のアプリケーションにおいてこのようなプロファイルを使用する課題と機会について考察する。 8週間にわたり,28msのwindows 10コンピュータユーザから,生態学的に有意なコンピュータ利用プロファイルを収集し,オンラインおよびオフラインの多様な分類器を含む総合的な機械学習分析に適用した。 We found that (i) computer usage profiles have the potential to uniquely characterize computer users (with a maximum F-score of 99.94%); (ii) network-related events were the most useful features to properly recognize profiles (95.14% of the top features distinguishing users being network-related); (iii) user profiles were mostly inconsistent over the 8-week data collection period, with 92.86% of users exhibiting drifts in terms of time and usage habits; and (iv) online models are better suited to handle computer usage profiles compared to offline models (maximum F-score for each approach was 95.99% and 99.94%, respectively).

関連論文リスト

• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Data Minimization at Inference Time [44.15285550981899]
  法律、採用、医療といった高い利害関係を持つドメインでは、学習モデルは推論に敏感なユーザーデータに依存することが多い。 本稿では,推定時刻の正確な予測にセンホール入力機能を使う必要があるかどうかを問う。 この論文は、パーソナライズされた環境では、個人が意思決定の正確さを損なうことなく、機能の小さなサブセットを公開する必要があることを実証している。
  論文  参考訳（メタデータ） (2023-05-27T23:03:41Z)
• Machine and Deep Learning Applications to Mouse Dynamics for Continuous User Authentication [0.0]
  この記事では,3つの機械学習アルゴリズムとディープラーニングアルゴリズムを使用して,40人のユーザのデータセットを評価することで,これまでの公開作業に基づいています。 トップパフォーマーは1次元畳み込みニューラルネットワークであり、トップ10ユーザーの平均テスト精度は85.73%である。 また, 92.48%のピーク精度に達する人工ニューラルネットワークを用いて, マルチクラス分類についても検討した。
  論文  参考訳（メタデータ） (2022-05-26T21:43:59Z)
• Automatic User Profiling in Darknet Markets: a Scalability Study [15.83443291553249]
  本研究の目的は,現在の計算スタイメトリ手法の信頼性と限界を理解することである。 根拠となる真実は得られず、歴史的調査による検証済みの犯罪データも検証目的には利用できないため、クリアウェブフォーラムから新たなデータを収集した。
  論文  参考訳（メタデータ） (2022-03-24T16:54:59Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• On Multi-Session Website Fingerprinting over TLS Handshake [6.520803851931362]
  本研究では,特定の時間内に訪問したWebサイトを予測できるマルチラベル分類器を生成するためのディープラーニング手法を提案する。 テストデータの結果と、時間系列情報を用いて性能を向上させることを証明するため、同じ目的で開発された単純な完全連結ニューラルネットワークを比較した。 提案モデルでは,テストデータセットで95%,修正データセットと人為データセットの両方で90%以上の精度が得られた。
  論文  参考訳（メタデータ） (2020-09-19T19:18:18Z)
• 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)
• Improving time use measurement with personal big data collection -- the experience of the European Big Data Hackathon 2019 [62.997667081978825]
  この記事では、Eurostatが主催するNTTS(New Techniques and Technologies for Statistics)カンファレンスのサテライトイベントであるEuropean Big Data Hackathon 2019で、i-Logの経験を評価します。 i-Logは、スマートフォンの内部センサーから個人用ビッグデータをキャプチャして、時間的使用量を測定するシステムである。
  論文  参考訳（メタデータ） (2020-04-24T18:40:08Z)

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。