論文の概要: GaitPrivacyON: Privacy-Preserving Mobile Gait Biometrics using
Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2110.03967v1
- Date: Fri, 8 Oct 2021 08:32:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 16:28:42.604506
- Title: GaitPrivacyON: Privacy-Preserving Mobile Gait Biometrics using
Unsupervised Learning
- Title（参考訳）: GaitPrivacyON:教師なし学習を用いたプライバシー保護モバイル歩行バイオメトリックス
- Authors: Paula Delgado-Santos and Ruben Tolosana and Richard Guest and Ruben
Vera and Farzin Deravi and Aythami Morales
- Abstract要約: GaitPrivacyONは、被験者の機密情報を保存しながら正確な認証結果を提供する、新しい移動歩行生体認証手法である。
最初のモジュール(畳み込みオートエンコーダ)は、保護対象の機密属性を特定することなく、教師なしの方法で訓練される。
我々の知る限りでは、これは、教師なしの方法で訓練されたプライバシー保護方法を考える最初のモバイル歩行検証アプローチである。
- 参考スコア（独自算出の注目度）: 6.325464216802613
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Numerous studies in the literature have already shown the potential of
biometrics on mobile devices for authentication purposes. However, it has been
shown that, the learning processes associated to biometric systems might expose
sensitive personal information about the subjects. This study proposes
GaitPrivacyON, a novel mobile gait biometrics verification approach that
provides accurate authentication results while preserving the sensitive
information of the subject. It comprises two modules: i) a convolutional
Autoencoder that transforms attributes of the biometric raw data, such as the
gender or the activity being performed, into a new privacy-preserving
representation; and ii) a mobile gait verification system based on the
combination of Convolutional Neural Networks (CNNs) and Recurrent Neural
Networks (RNNs) with a Siamese architecture. The main advantage of
GaitPrivacyON is that the first module (convolutional Autoencoder) is trained
in an unsupervised way, without specifying the sensitive attributes of the
subject to protect. The experimental results achieved using two popular
databases (MotionSense and MobiAct) suggest the potential of GaitPrivacyON to
significantly improve the privacy of the subject while keeping user
authentication results higher than 99% Area Under the Curve (AUC). To the best
of our knowledge, this is the first mobile gait verification approach that
considers privacy-preserving methods trained in an unsupervised way.
- Abstract（参考訳）: 文献における多くの研究は、認証のためにモバイルデバイス上でバイオメトリックスの可能性を既に示している。
しかし,生体認証システムに関連付けられた学習プロセスは,被験者に関する機密情報を公開する可能性がある。
本研究は,対象者の機密情報を保存しつつ,正確な認証結果を提供する新しいモバイル歩行生体認証手法であるgaitprivacyonを提案する。
モジュールは2つある。
一 性別又は実行中の活動等の生体認証原データの属性を、新たなプライバシー保全表現に変換する畳み込みオートエンコーダ
二 畳み込みニューラルネットワーク(cnns)とリカレントニューラルネットワーク(rnns)とシャムアーキテクチャを組み合わせた移動歩行検証システム。
gaitprivacyonの主な利点は、第一モジュール(畳み込みオートエンコーダ)が保護対象の繊細な属性を指定せずに教師なしの方法で訓練されることである。
2つの人気データベース(MotionSenseとMobiAct)を用いて達成された実験結果は、GaitPrivacyONがユーザーの認証結果をAUC(Area Under the Curve)の99%以上を維持しながら、被験者のプライバシーを大幅に改善する可能性を示唆している。
我々の知る限りでは、これは、教師なしの方法で訓練されたプライバシー保護方法を考える最初のモバイル歩行検証アプローチである。
関連論文リスト
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Differential Privacy Mechanisms in Neural Tangent Kernel Regression [29.187250620950927]
ニューラルタンジェントカーネル(NTK)回帰設定における差分プライバシー(DP)について検討する。
NTKレグレッションの差分プライバシとテスト精度の両面で証明可能な保証を示す。
我々の知る限り、NTKレグレッションに対するDP保証を提供する最初の取り組みである。
論文 参考訳（メタデータ） (2024-07-18T15:57:55Z) - A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and
Applications [76.88662943995641]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱う能力のため、大きな注目を集めている。
この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。
この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
論文 参考訳（メタデータ） (2023-08-31T00:31:08Z) - Unveiling the Role of Message Passing in Dual-Privacy Preservation on
GNNs [7.626349365968476]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークなどのグラフ上で表現を学習するための強力なツールである。
プライバシを保存するGNNは、ノードやリンクのプライバシの保護に重点を置いて提案されている。
本稿では,ノードとリンクの両方を効果的に保護するプライバシー保護型GNNフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-25T17:46:43Z) - Your Room is not Private: Gradient Inversion Attack on Reinforcement
Learning [47.96266341738642]
プライバシーは、ロボットが実質的な個人情報にアクセスすることによって、具体化されたAIの領域における重要な関心事として浮上する。
本稿では, 状態, 行動, 監視信号の再構成に勾配インバージョンを利用する, 値ベースアルゴリズムと勾配ベースアルゴリズムに対する攻撃を提案する。
論文 参考訳（メタデータ） (2023-06-15T16:53:26Z) - Non-Contrastive Learning-based Behavioural Biometrics for Smart IoT
Devices [0.9005431161010408]
振る舞いバイオメトリックスは、従来の認証手法の限界を克服する有効な代替手段として検討されている。
最近のビヘイビアバイオメトリックソリューションは、大量の注釈付きトレーニングデータを必要とするディープラーニングモデルを使用している。
我々は,SimSiamをベースとした非コントラスト型自己教師学習を用いて,行動バイオメトリックシステムのラベル効率を向上させることを提案する。
論文 参考訳（メタデータ） (2022-10-24T05:56:32Z) - Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。
再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。
グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文 参考訳（メタデータ） (2022-10-21T04:38:25Z) - Hold On and Swipe: A Touch-Movement Based Continuous Authentication
Schema based on Machine Learning [0.0]
本研究は,マルチモーダルな生体認証に基づくユーザ認証方式の性能を評価することで,この革新的な研究に貢献することを目的とする。
本研究は、ハンドムーブメントオリエンテーションとGraspデータセットとBioIdentデータセットの2つの一般的なデータセットを融合したものである。
本研究では,Random Forest Support Vector MachineとK-Nearest Neighborの3つの機械学習アルゴリズムを用いて,モデルの性能を最大82%の精度で評価する。
論文 参考訳（メタデータ） (2022-01-21T06:51:46Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-12-14T18:59:24Z) - Neural Fuzzy Extractors: A Secure Way to Use Artificial Neural Networks
for Biometric User Authentication [2.0118004993739067]
生体認証(および識別)は急速に普及しつつある。
機械学習技術に基づくバイオメトリック認証の現代的なアプローチでは、トレーニング済みの分類器の詳細や明示的なユーザバイオメトリックデータの保存は避けられない。
本稿では,ベクトル空間分類器やニューラルネットワークを用いて生体認証を行う際の,ユーザ固有の情報をセキュアに処理する方法を提案する。
論文 参考訳（メタデータ） (2020-03-18T18:48:25Z)
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。