論文の概要: GANTouch: An Attack-Resilient Framework for Touch-based Continuous
Authentication System
- arxiv url: http://arxiv.org/abs/2210.01594v1
- Date: Sun, 2 Oct 2022 20:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 15:18:56.498203
- Title: GANTouch: An Attack-Resilient Framework for Touch-based Continuous
Authentication System
- Title(参考訳): GANTouch: タッチベースの継続的認証システムのための攻撃耐性フレームワーク
- Authors: Mohit Agrawal and Pragyan Mehrotra and Rajesh Kumar and Rajiv Ratn
Shah
- Abstract要約: 本研究は,新規なジェネレーティブ・アドバイサル・ネットワークを用いたTCASフレームワークを提案し,それを3つのアクティブ・ディバイサル環境下でのV-TCASと比較する。
G-TCASはポピュレーションとランダムベクターの下ではV-TCASよりも弾力性があり、ゼロエフォートよりも敵のシナリオにダメージを与えた。
以上の結果から, 活発な対向環境下でのTCASの評価と, TCASパイプラインにおけるGANの有用性を確認することが示唆された。
- 参考スコア(独自算出の注目度): 49.54053354664652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Previous studies have shown that commonly studied (vanilla) implementations
of touch-based continuous authentication systems (V-TCAS) are susceptible to
active adversarial attempts. This study presents a novel Generative Adversarial
Network assisted TCAS (G-TCAS) framework and compares it to the V-TCAS under
three active adversarial environments viz. Zero-effort, Population, and
Random-vector. The Zero-effort environment was implemented in two variations
viz. Zero-effort (same-dataset) and Zero-effort (cross-dataset). The first
involved a Zero-effort attack from the same dataset, while the second used
three different datasets. G-TCAS showed more resilience than V-TCAS under the
Population and Random-vector, the more damaging adversarial scenarios than the
Zero-effort. On average, the increase in the false accept rates (FARs) for
V-TCAS was much higher (27.5% and 21.5%) than for G-TCAS (14% and 12.5%) for
Population and Random-vector attacks, respectively. Moreover, we performed a
fairness analysis of TCAS for different genders and found TCAS to be fair
across genders. The findings suggest that we should evaluate TCAS under active
adversarial environments and affirm the usefulness of GANs in the TCAS
pipeline.
- Abstract(参考訳): 従来の研究では、タッチベースの連続認証システム(V-TCAS)の一般的な研究(バニラ)実装は、アクティブな敵意の試行に影響を受けやすいことが示されている。
本研究は,新規なG-TCASフレームワークについて提案し,V-TCASとV-TCASを3つのアクティブ環境下で比較した。
ゼロエフォート、人口、ランダムベクター。
Zero-effort環境は2つのバリエーションで実装された。
Zero-effort (Same-dataset) と Zero-effort (cross-dataset)。
1つはZero-effort攻撃で、もう1つは3つの異なるデータセットを使用した。
G-TCASはポピュレーションとランダムベクターの下ではV-TCASよりも弾力性があり、ゼロエフォートよりも敵のシナリオにダメージを与えた。
平均して、V-TCASに対する偽受け入れ率(FAR)の上昇は、G-TCAS (14%と12.5%) の集団攻撃やランダムベクター攻撃よりもはるかに高い(27.5%と21.5%)。
さらに, 性別別にTCASの公平性分析を行い, 性別ごとにTASが公平であることが判明した。
以上の結果から, 活発な対向環境下でのTCASの評価と, TCASパイプラインにおけるGANの有用性を確認した。
関連論文リスト
- Deep Generative Attacks and Countermeasures for Data-Driven Offline
Signature Verification [2.1741128399394594]
本稿では,データ駆動型シグネチャ検証(DASV)におけるジェネレーティブアタックの影響について検討する。
本稿では,2つの顕著な深部生成モデル(DGM),変分オートエンコーダ(VAE),条件付き生成逆ネットワーク(CGAN)のパワーについて検討する。
本稿では,DASVに対する深層発生攻撃の効果を効果的に抑制する対策を提案する。
論文 参考訳(メタデータ) (2023-12-02T00:58:34Z) - Tightening Classification Boundaries in Open Set Domain Adaptation
through Unknown Exploitation [45.74830585715129]
畳み込みニューラルネットワーク(CNN)は多くの研究領域に革命的な進歩をもたらした。
しかし、これらの手法が制御不能な環境に適用されると、多くの異なる要因がモデルの性能を劣化させる可能性がある。
未知のインスタンスの高信頼度集合を抽出することでOSDAアプローチを改善する新しい方法を提案する。
論文 参考訳(メタデータ) (2023-09-16T11:33:40Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳(メタデータ) (2023-03-20T14:12:55Z) - Revisiting Realistic Test-Time Training: Sequential Inference and
Adaptation by Anchored Clustering Regularized Self-Training [37.75537703971045]
テスト時アンカークラスタリング(TTAC)アプローチを開発し,より強力なテスト時特徴学習を実現する。
自己学習(ST)はラベルのないデータから学ぶ上で大きな成功を収めた。
TTAC++は、5つのTTデータセットの最先端メソッドを一貫して上回る。
論文 参考訳(メタデータ) (2023-03-20T04:30:18Z) - Adversarial Attacks and Defense for Non-Parametric Two-Sample Tests [73.32304304788838]
本稿では,非パラメトリックTSTの障害モードを逆攻撃により系統的に明らかにする。
TST非依存的な攻撃を可能にするために,異なる種類のテスト基準を協調的に最小化するアンサンブル攻撃フレームワークを提案する。
そこで本研究では,TSTの強化のために,逆対を反復的に生成し,深層カーネルを訓練する最大最小最適化を提案する。
論文 参考訳(メタデータ) (2022-02-07T11:18:04Z) - Defending Touch-based Continuous Authentication Systems from Active
Adversaries Using Generative Adversarial Networks [34.161603547018075]
本稿では,集団攻撃に対する弾力性を示す,新しいジェネレーティブ・アドバーサリアル・ネットワークを用いたTCASフレームワークを提案する。
V-TCASの偽受入率(FAR)の上昇はスマートフォンのG-TCAS(13%)よりもはるかに高い(22%)。
論文 参考訳(メタデータ) (2021-06-15T04:04:58Z) - Learning and Certification under Instance-targeted Poisoning [49.55596073963654]
インスタンスターゲット中毒攻撃におけるPAC学習性と認証について検討する。
敵の予算がサンプルの複雑さに比例してスケールすると、PACの学習性と認定が達成可能であることを示す。
実データセット上でのK近傍, ロジスティック回帰, 多層パーセプトロン, 畳み込みニューラルネットワークの堅牢性を実証的に検討する。
論文 参考訳(メタデータ) (2021-05-18T17:48:15Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z)
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。