論文の概要: Machine Learning Algorithms In User Authentication Schemes

• arxiv url: http://arxiv.org/abs/2110.07826v1
• Date: Fri, 15 Oct 2021 02:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 04:30:19.166196
• Title: Machine Learning Algorithms In User Authentication Schemes
• Title（参考訳）: ユーザ認証方式における機械学習アルゴリズム
• Authors: Laura Pryor, Dr. Rushit Dave, Dr. Naeem Seliya, Dr. Evelyn R Sowells Boone
• Abstract要約: 本研究では,タッチダイナミクスとデバイス動作を含むユーザ認証方式における機械学習アルゴリズムについて検討する。 今後の作業に対するメリット,制限,提案については,本論文を通じて詳しく論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the past two decades, the number of mobile products being created by companies has grown exponentially. However, although these devices are constantly being upgraded with the newest features, the security measures used to protect these devices has stayed relatively the same over the past two decades. The vast difference in growth patterns between devices and their security is opening up the risk for more and more devices to easily become infiltrated by nefarious users. Working off of previous work in the field, this study looks at the different Machine Learning algorithms used in user authentication schemes involving touch dynamics and device movement. This study aims to give a comprehensive overview of the current uses of different machine learning algorithms that are frequently used in user authentication schemas involving touch dynamics and device movement. The benefits, limitations, and suggestions for future work will be thoroughly discussed throughout this paper.
• Abstract（参考訳）: 過去20年間で、企業によって製造されるモバイル製品は指数関数的に増えている。 しかし、これらのデバイスは最新の機能で常にアップグレードされているものの、デバイスを保護するためのセキュリティ対策は過去20年間、比較的変わっていない。 デバイスとセキュリティの間の成長パターンの大きな違いは、ますます多くのデバイスが悪質なユーザーによって容易に侵入されるリスクを開きつつある。 この分野でのこれまでの研究から、タッチダイナミクスとデバイス移動を含むユーザ認証スキームで使用されるさまざまな機械学習アルゴリズムを考察する。 本研究の目的は,タッチダイナミクスやデバイス動作を含むユーザ認証スキーマで頻繁に使用される,さまざまな機械学習アルゴリズムの現在の使用状況について,概説することである。 今後の作業に対するメリット,制限,提案については,本論文を通じて詳しく論じる。

関連論文リスト

• From Clicks to Security: Investigating Continuous Authentication via Mouse Dynamics [0.0]
  この研究は、さまざまな機械学習モデルを用いることで、従来の方法論を越えている。 本研究で用いられている多種多様な機械学習モデルは,ユーザ検証において有能な性能を示す。 本研究は,コンピュータセキュリティの向上に向けた継続的な取り組みに寄与し,堅牢な認証システム開発において,ユーザ動作,特にマウスダイナミクスを活用する可能性を強調している。
  論文  参考訳（メタデータ） (2024-03-06T16:18:02Z)
• Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
  本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。 コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。 機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
  論文  参考訳（メタデータ） (2023-05-12T17:24:02Z)
• Evaluation of a User Authentication Schema Using Behavioral Biometrics and Machine Learning [0.0]
  本研究では,行動バイオメトリックスを用いたユーザ認証手法の作成と評価により,行動バイオメトリックスの研究に寄与する。 この研究で用いられる行動バイオメトリクスには、タッチダイナミクスと電話の動きがある。 2つのバイオメトリックスの異なる単一モーダルと多モーダルの組み合わせの性能を評価する。
  論文  参考訳（メタデータ） (2022-05-07T05:16:34Z)
• Exploration of Machine Learning Classification Models Used for Behavioral Biometrics Authentication [0.0]
  本研究では,現在,行動バイオメトリックなモバイル認証方式で使用されている機械学習アルゴリズムについて述べる。 タッチダイナミクスや電話の動きでこれらのアルゴリズムを総合的にレビューすることを目的としている。
  論文  参考訳（メタデータ） (2022-04-19T18:48:32Z)
• 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)
• Realistic simulation of users for IT systems in cyber ranges [63.20765930558542]
  ユーザアクティビティを生成するために,外部エージェントを用いて各マシンを計測する。 このエージェントは、決定論的および深層学習に基づく手法を組み合わせて、異なる環境に適応する。 また,会話や文書の作成を容易にする条件付きテキスト生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T10:53:29Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Federated and continual learning for classification tasks in a society of devices [59.45414406974091]
  Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。 我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。 提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
  論文  参考訳（メタデータ） (2020-06-12T12:37:03Z)
• Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey [12.149800070838303]
  我々は,最近の140以上の行動バイオメトリックベースの継続的ユーザ認証手法を調査した。 これらのアプローチには、モーションベースの方法、歩行ベースの方法、キーストロークダイナミクスベースの方法、タッチジェスチャーベースの方法、音声ベースの方法、マルチモーダルベースの方法が含まれる。
  論文  参考訳（メタデータ） (2020-01-23T15:07:28Z)

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。