論文の概要: Machine Learning-Based Analysis of Free-Text Keystroke Dynamics

• arxiv url: http://arxiv.org/abs/2107.07409v1
• Date: Thu, 1 Jul 2021 14:50:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 17:56:10.885686
• Title: Machine Learning-Based Analysis of Free-Text Keystroke Dynamics
• Title（参考訳）: 機械学習による自由テキストキーストロークダイナミクスの解析
• Authors: Han-Chih Chang, Jianwei Li, Mark Stamp
• Abstract要約: キーストロークダイナミクスは、ユーザーが様々なキーボード入力に基づいてタイプする方法を分析するために使用することができる。 これまでの研究では、キーストロークのダイナミクスに基づいてユーザ認証と分類が可能であることが示されている。 畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせた新しいディープラーニングモデルの実装と解析を行う。
• 参考スコア（独自算出の注目度）: 7.447152998809457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of active and passive biometric authentication and identification technology plays an increasingly important role in cybersecurity. Keystroke dynamics can be used to analyze the way that a user types based on various keyboard input. Previous work has shown that user authentication and classification can be achieved based on keystroke dynamics. In this research, we consider the problem of user classification based on keystroke dynamics features collected from free-text. We implement and analyze a novel a deep learning model that combines a convolutional neural network (CNN) and a gated recurrent unit (GRU). We optimize the resulting model and consider several relevant related problems. Our model is competitive with the best results obtained in previous comparable research.
• Abstract（参考訳）: アクティブかつパッシブなバイオメトリック認証と識別技術の開発は、サイバーセキュリティにおいてますます重要な役割を担っている。 キーストロークダイナミクスは、ユーザーが様々なキーボード入力に基づいてタイプする方法を分析するために使用することができる。 前回の研究では、キーストロークのダイナミクスに基づいてユーザ認証と分類が達成できることが示されている。 本研究では,自由テキストから収集したキーストロークダイナミクスに基づくユーザ分類の問題を考える。 本稿では,畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせた,新しいディープラーニングモデルの実装と解析を行う。 得られたモデルを最適化し,関連する問題をいくつか検討する。 我々のモデルは、これまでの比較研究で得られた最良の結果と競合する。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Initial Study into Application of Feature Density and Linguistically-backed Embedding to Improve Machine Learning-based Cyberbullying Detection [54.83707803301847]
  この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。 本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
  論文  参考訳（メタデータ） (2022-06-04T03:17:15Z)
• Deep Q-Learning based Reinforcement Learning Approach for Network Intrusion Detection [1.7205106391379026]
  本稿では,Qラーニングに基づく強化学習と,ネットワーク侵入検出のためのディープフィードフォワードニューラルネットワークを併用したネットワーク侵入検出手法を提案する。 提案するDeep Q-Learning(DQL)モデルは,ネットワーク環境に対する継続的な自動学習機能を提供する。 実験の結果,提案したDQLは,異なる侵入クラスを検出し,他の類似した機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-11-27T20:18:00Z)
• Machine Learning and Deep Learning for Fixed-Text Keystroke Dynamics [6.626171743551614]
  キーストロークダイナミクスは、キーボード入力の様々な側面を測定することで、ユーザーがタイプする方法を分析するために使用することができる。 固定テキストキーストロークに基づく多種多様な機械学習およびディープラーニング技術について検討する。
  論文  参考訳（メタデータ） (2021-07-01T14:54:29Z)
• Free-Text Keystroke Dynamics for User Authentication [7.447152998809457]
  自由テキストから得られるキーストロークダイナミクスに基づいてユーザ識別を検証する問題を考える。 この画像のような特徴のために、カットアウトを伴う畳み込みニューラルネットワーク(CNN)が最良の結果をもたらす。 また、CNNとリカレントニューラルネットワーク(RNN)からなるハイブリッドモデルも、この分野におけるこれまでの研究より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-01T14:46:10Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• CyberLearning: Effectiveness Analysis of Machine Learning Security Modeling to Detect Cyber-Anomalies and Multi-Attacks [5.672898304129217]
  サイバーラーニング(CyberLearning)は、相関機能選択による機械学習ベースのサイバーセキュリティモデリングである。 本稿では,異常検出のためのバイナリ分類モデルと,各種サイバー攻撃に対するマルチクラス分類モデルについて考察する。 次に、複数の隠蔽層を考慮した人工知能ニューラルネットワークベースのセキュリティモデルを提案する。
  論文  参考訳（メタデータ） (2021-03-28T18:47:16Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Generative Deep Learning Techniques for Password Generation [0.5249805590164902]
  パスワード推測に照らして,深層学習モデルと確率ベースモデルの幅広い収集について検討した。 本研究では,最先端サンプリング性能を示す変分オートエンコーダを用いた新しい生成深層学習モデルを提案する。 我々は、よく知られたデータセット上の統一制御フレームワークにおいて、徹底的な経験分析を行う。
  論文  参考訳（メタデータ） (2020-12-10T14:11:45Z)

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。