Fugu-MT 論文翻訳(概要): Exploration of Machine Learning Classification Models Used for Behavioral Biometrics Authentication

論文の概要: Exploration of Machine Learning Classification Models Used for Behavioral Biometrics Authentication

arxiv url: http://arxiv.org/abs/2204.09088v1
Date: Tue, 19 Apr 2022 18:48:32 GMT
ステータス: 処理完了
システム内更新日: 2022-04-22 03:22:58.622061
Title: Exploration of Machine Learning Classification Models Used for Behavioral Biometrics Authentication
Title（参考訳）: 行動バイオメトリックス認証に用いる機械学習分類モデルの探索
Authors: Sara Kokal, Laura Pryor, Rushit Dave
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Mobile devices have been manufactured and enhanced at growing rates in the past decades. While this growth has significantly evolved the capability of these devices, their security has been falling behind. This contrast in development between capability and security of mobile devices is a significant problem with the sensitive information of the public at risk. Continuing the previous work in this field, this study identifies key Machine Learning algorithms currently being used for behavioral biometric mobile authentication schemes and aims to provide a comprehensive review of these algorithms when used with touch dynamics and phone movement. Throughout this paper the benefits, limitations, and recommendations for future work will be discussed.
Abstract（参考訳）: モバイルデバイスはここ数十年で、成長速度で製造され、強化されている。この成長は、これらのデバイスの能力を大きく進化させたが、セキュリティは遅れている。モバイルデバイスの能力とセキュリティの間の開発におけるこの対比は、危険にさらされている人々の機密情報にとって重大な問題である。この分野での先行研究を継続して、現在行動バイオメトリックなモバイル認証に使われている重要な機械学習アルゴリズムを特定し、タッチダイナミクスや電話移動で使用されるこれらのアルゴリズムの包括的なレビューを提供することを目的としている。この論文を通じて,今後の作業に対するメリット,限界,推奨事項について論じる。

関連論文リスト

Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文参考訳（メタデータ） (2024-03-27T05:10:38Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文参考訳（メタデータ） (2022-10-18T17:28:58Z)
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)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
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。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
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)
Machine Learning Algorithms In User Authentication Schemes [0.0]
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。
論文参考訳（メタデータ） (2021-10-15T02:44:43Z)
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)
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)
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)
Classification of human activity recognition using smartphones [0.0]
モバイルデバイス上でのヒューマンアクティビティ認識は、組み込みセンサーによって可能であり、ユーザアクティビティを予測してモバイルデバイス上でのユーザ動作を管理するために利用することができる。この目的を達成するために, 活動特性の保存, 分類, および学習アルゴリズムへのマッピングについて検討した。本研究では,深層信仰ネットワークによる分類をデータテストとトレーニングに応用し,トレーニングデータでは98.25%,テストデータでは93.01%の精度で正しい診断を行った。
論文参考訳（メタデータ） (2020-01-06T16:08:07Z)

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。