論文の概要: Continuous Authentication Using Mouse Movements, Machine Learning, and Minecraft

• arxiv url: http://arxiv.org/abs/2110.11080v1
• Date: Fri, 15 Oct 2021 02:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 12:13:16.473710
• Title: Continuous Authentication Using Mouse Movements, Machine Learning, and Minecraft
• Title（参考訳）: マウスの動き,機械学習,Minecraftを用いた連続認証
• Authors: Nyle Siddiqui, Rushit Dave, Naeem Seliya
• Abstract要約: 本稿では,デスクトップコンピュータ上で10人のユーザがMinecraftをプレイしている間に収集された新しいマウスダイナミックスデータセットについて述べる。 各ユーザが特定のユーザの動きとインポスタの動きの違いを検出するために、二元ランダムフォレスト(RF)分類器を作成する。
• 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: Mouse dynamics has grown in popularity as a novel irreproducible behavioral biometric. Datasets which contain general unrestricted mouse movements from users are sparse in the current literature. The Balabit mouse dynamics dataset produced in 2016 was made for a data science competition and despite some of its shortcomings, is considered to be the first publicly available mouse dynamics dataset. Collecting mouse movements in a dull administrative manner as Balabit does may unintentionally homogenize data and is also not representative of realworld application scenarios. This paper presents a novel mouse dynamics dataset that has been collected while 10 users play the video game Minecraft on a desktop computer. Binary Random Forest (RF) classifiers are created for each user to detect differences between a specific users movements and an imposters movements. Two evaluation scenarios are proposed to evaluate the performance of these classifiers; one scenario outperformed previous works in all evaluation metrics, reaching average accuracy rates of 92%, while the other scenario successfully reported reduced instances of false authentications of imposters.
• Abstract（参考訳）: マウス・ダイナミクスは、新しい再現不能な行動バイオメトリックとして人気を高めている。 ユーザからの一般的な制限のないマウスの動きを含むデータセットは、現在の文献では乏しい。 2016年に作成されたbalabit mouse dynamicsデータセットは、データサイエンスのコンペティションのために作成され、いくつかの欠点にもかかわらず、初めて公開されたマウスダイナミクスデータセットであると考えられている。 Balabitのように退屈な管理方法でマウスの動きを収集することは、意図せずにデータを均質化し、現実世界のアプリケーションシナリオを代表するものではない。 本稿では,10人のユーザがゲームminecraftをデスクトップコンピュータでプレイしている間に収集したマウスダイナミクスデータセットを提案する。 各ユーザが特定のユーザの動きとインポスタの動きの違いを検出するために、二元ランダムフォレスト(RF)分類器を作成する。 これらの分類器の性能を評価するための2つの評価シナリオが提案されている。1つのシナリオは、すべての評価指標において過去の成果よりも優れており、平均精度は92%に達し、もう1つのシナリオは、インポスタの偽認証のインスタンスの減少を報告した。

関連論文リスト

• LiveXiv -- A Multi-Modal Live Benchmark Based on Arxiv Papers Content [62.816876067499415]
  我々は、科学的ArXiv論文に基づくスケーラブルな進化型ライブベンチマークであるLiveXivを提案する。 LiveXivは、任意のタイムスタンプでドメイン固有の原稿にアクセスし、視覚的な問合せペアを自動的に生成することを提案する。 ベンチマークの最初のバージョンで、複数のオープンでプロプライエタリなLMM(Large Multi-modal Models)をベンチマークし、その挑戦的な性質を示し、モデルの真の能力を明らかにする。
  論文  参考訳（メタデータ） (2024-10-14T17:51:23Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Learning Defect Prediction from Unrealistic Data [57.53586547895278]
  事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。 このようなモデルは大きい傾向があり、訓練データの総量を必要とする。 人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。 このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
  論文  参考訳（メタデータ） (2023-11-02T01:51:43Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• 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)
• HandoverSim: A Simulation Framework and Benchmark for Human-to-Robot Object Handovers [60.45158007016316]
  HandoverSimは、人間からロボットへのオブジェクトハンドオーバのシミュレーションベンチマークである。 我々は、物体の手でのつかみの最近のモーションキャプチャーデータセットを活用する。 標準化されたプロトコルとメトリクスを使って受信機のトレーニングと評価環境を作成します。
  論文  参考訳（メタデータ） (2022-05-19T17:59:00Z)
• Basket-based Softmax [12.744577044692276]
  我々は,バスケットベースソフトマックス(BBS)と呼ばれる新しい採鉱訓練戦略を提案する。 各トレーニングサンプルに対して、他のデータセットから負のクラスをマイニングする手がかりとして、類似度スコアを同時に採用する。 実世界とシミュレーションされたデータセットを用いて、顔認識と再識別のタスクにおけるBBSの効率性と優位性を実証する。
  論文  参考訳（メタデータ） (2022-01-23T16:43:29Z)
• Learning Efficient Representations of Mouse Movements to Predict User Attention [12.259552039796027]
  本研究では,時系列,熱マップ,軌跡に基づく画像など,マウスのカーソル運動の異なる表現について検討する。 私たちは、ユーザの注意をディスプレイに直接向けられるように、リカレントニューラルネットワークと畳み込みニューラルネットワークの両方を構築し、コントラストします。 我々のモデルは生のマウスカーソルデータに基づいて訓練され、競争力を発揮する。
  論文  参考訳（メタデータ） (2020-05-30T09:52:26Z)
• Incremental Real-Time Personalization in Human Activity Recognition Using Domain Adaptive Batch Normalization [1.160208922584163]
  スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。 従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。 我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-05-25T15:49:10Z)
• BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection [78.11535724645702]
  本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
  論文  参考訳（メタデータ） (2020-05-02T17:40:49Z)

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。