論文の概要: Mobile Behavioral Biometrics for Passive Authentication
- arxiv url: http://arxiv.org/abs/2203.07300v1
- Date: Mon, 14 Mar 2022 17:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 16:19:41.698065
- Title: Mobile Behavioral Biometrics for Passive Authentication
- Title（参考訳）: パッシブ認証のための移動行動バイオメトリックス
- Authors: Giuseppe Stragapede, Ruben Vera-Rodriguez, Ruben Tolosana, Aythami
Morales, Alejandro Acien, Gael Le Lan
- Abstract要約: 本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
- 参考スコア（独自算出の注目度）: 65.94403066225384
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current mobile user authentication systems based on PIN codes, fingerprint,
and face recognition have several shortcomings. Such limitations have been
addressed in the literature by exploring the feasibility of passive
authentication on mobile devices through behavioral biometrics. In this line of
research, this work carries out a comparative analysis of unimodal and
multimodal behavioral biometric traits acquired while the subjects perform
different activities on the phone such as typing, scrolling, drawing a number,
and tapping on the screen, considering the touchscreen and the simultaneous
background sensor data (accelerometer, gravity sensor, gyroscope, linear
accelerometer, and magnetometer). Our experiments are performed over HuMIdb,
one of the largest and most comprehensive freely available mobile user
interaction databases to date. A separate Recurrent Neural Network (RNN) with
triplet loss is implemented for each single modality. Then, the weighted fusion
of the different modalities is carried out at score level. In our experiments,
the most discriminative background sensor is the magnetometer, whereas among
touch tasks the best results are achieved with keystroke in a fixed-text
scenario. In all cases, the fusion of modalities is very beneficial, leading to
Equal Error Rates (EER) ranging from 4% to 9% depending on the modality
combination in a 3-second interval.
- Abstract（参考訳）: PIN符号、指紋、顔認識に基づく現在のモバイルユーザ認証システムには、いくつかの欠点がある。
このような制限は、行動バイオメトリックスによるモバイルデバイスでのパッシブ認証の実現可能性を探ることによって、文献の中で解決されている。
本研究は, タッチスクリーンと背景センサデータ(加速度センサ, 重力センサ, ジャイロスコープ, リニア加速度計, 磁力計)を考慮し, 被験者がスマートフォン上でタイピング, スクロール, 数字の描画, 画面上でのタップなど, 異なる動作を行う際に得られる単様および多様行動バイオメトリック特性の比較分析を行う。
私たちの実験は,これまでで最大かつ最も包括的なモバイルユーザインタラクションデータベースであるHuMIdb上で実施されています。
単一モード毎にトリプルト損失を持つ別個のリカレントニューラルネットワーク(RNN)を実装する。
そして、異なるモードの重み付け融合をスコアレベルで行う。
私たちの実験では、最も識別可能な背景センサは磁力計で、タッチタスクでは固定テキストシナリオでキーストロークで最高の結果が得られます。
いずれの場合においても、モダリティの融合は非常に有益であり、3秒間隔のモダリティの組み合わせに応じて4%から9%の誤差率(eer)が等しい。
関連論文リスト
- Your Identity is Your Behavior -- Continuous User Authentication based
on Machine Learning and Touch Dynamics [0.0]
本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。
参加者は4つのモバイルゲーム、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。
研究の結果,3つのアルゴリズムがそれぞれ,個々のタッチダイナミクスに基づいてユーザを効果的に分類できることが判明した。
論文 参考訳（メタデータ） (2023-04-24T13:45:25Z) - Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。
マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。
ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
論文 参考訳（メタデータ） (2023-04-04T07:24:51Z) - BehavePassDB: Benchmarking Mobile Behavioral Biometrics [12.691633481373927]
新たなデータベースであるBehavePassDBを,個別の取得セッションとタスクに構成する。
本稿では,三重項損失とスコアレベルでのモダリティ融合を有する長短項メモリ(LSTM)アーキテクチャに基づくシステムを提案し,評価する。
論文 参考訳（メタデータ） (2022-06-06T11:21:15Z) - A Wireless-Vision Dataset for Privacy Preserving Human Activity
Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。
以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文 参考訳（メタデータ） (2022-05-24T10:49:11Z) - UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。
特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。
我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
論文 参考訳（メタデータ） (2022-05-24T03:29:54Z) - 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) - TapNet: The Design, Training, Implementation, and Applications of a
Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。
TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
論文 参考訳（メタデータ） (2021-02-18T00:45:41Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - End-to-end User Recognition using Touchscreen Biometrics [11.394909061094463]
目標は、モバイルデバイスの生データを使ってユーザーを透過的に識別できるエンドツーエンドシステムを作ることだった。
提案するシステムでは,タッチスクリーンからのデータはディープニューラルネットワークの入力に直接反映され,ユーザの同一性を決定することができる。
論文 参考訳（メタデータ） (2020-06-09T16:38:09Z)
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。