Fugu-MT 論文翻訳(概要): Keystroke Dynamics for User Identification

論文の概要: Keystroke Dynamics for User Identification

arxiv url: http://arxiv.org/abs/2307.05529v1
Date: Fri, 7 Jul 2023 23:12:16 GMT
ステータス: 処理完了
システム内更新日: 2023-07-16 03:25:02.255888
Title: Keystroke Dynamics for User Identification
Title（参考訳）: ユーザ識別のためのキーストロークダイナミクス
Authors: Atharva Sharma and Martin Jure\v{c}ek and Mark Stamp
Abstract要約: これまでの研究では、キーストロークダイナミクスは、固定テキストデータと自由テキストデータの両方に基づいて、ユーザ認証の可能性を示してきた。我々は、自由テキストデータに基づいて、より困難なマルチクラスユーザ識別問題を考察する。
参考スコア（独自算出の注目度）: 2.707154152696381
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In previous research, keystroke dynamics has shown promise for user authentication, based on both fixed-text and free-text data. In this research, we consider the more challenging multiclass user identification problem, based on free-text data. We experiment with a complex image-like feature that has previously been used to achieve state-of-the-art authentication results over free-text data. Using this image-like feature and multiclass Convolutional Neural Networks, we are able to obtain a classification (i.e., identification) accuracy of 0.78 over a set of 148 users. However, we find that a Random Forest classifier trained on a slightly modified version of this same feature yields an accuracy of 0.93.
Abstract（参考訳）: これまでの研究では、キーストロークダイナミクスは固定テキストデータとフリーテキストデータの両方に基づいてユーザー認証を約束している。本研究では,自由テキストデータに基づいて,より困難なマルチクラスユーザ識別問題を考える。我々は、これまでフリーテキストデータによる最先端の認証結果を達成するために用いられてきた複雑な画像のような機能の実験を行った。このイメージライクな特徴とマルチクラス畳み込みニューラルネットワークを用いて、128人のユーザに対して0.78の分類(識別)の精度を得ることができる。しかし、この特徴のわずかに修正されたバージョンで訓練されたランダムフォレスト分類器は精度0.93となる。

関連論文リスト

Learning Robust Named Entity Recognizers From Noisy Data With Retrieval Augmentation [67.89838237013078]
名前付きエンティティ認識(NER)モデルは、しばしばノイズの多い入力に悩まされる。ノイズの多いテキストとそのNERラベルのみを利用できる、より現実的な設定を提案する。我々は、推論中にテキストを取得することなく、堅牢なNERを改善するマルチビュートレーニングフレームワークを採用している。
論文参考訳（メタデータ） (2024-07-26T07:30:41Z)
Your device may know you better than you know yourself -- continuous authentication on novel dataset using machine learning [0.0]
本研究は,行動バイオメトリックスを用いた連続的認証の分野におけるさらなる理解を目的としている。われわれは、Samsung TabletでMinecraftをプレイする15人のユーザのジェスチャーデータを含む、新しいデータセットを15分間提供しています。
論文参考訳（メタデータ） (2024-03-06T16:22:49Z)
Cross-codex Learning for Reliable Scribe Identification in Medieval Manuscripts [0.0]
CNNベースのテキスト非依存のオフライン購読識別のためのクロスコーデックストレーニングデータの重要性を示す。私たちは、信頼性の高いネットワークアーキテクチャを定義するために、複雑なデータに基づいて異なるニューラルネットワークをトレーニングし、時間と精度の違いを検証しました。大規模なオープンソースデータセットであるCodex Claustroneoburgensisデータベース(CCl-DB)に結果を提示します。
論文参考訳（メタデータ） (2023-12-07T13:40:20Z)
Free-text Keystroke Authentication using Transformers: A Comparative Study of Architectures and Loss Functions [1.0152838128195467]
キーストロークバイオメトリックスは、個人のタイピング行動におけるユニークなパターンを活用する、ユーザ識別と検証のための有望なアプローチである。本稿では,キーストロークシーケンスから情報的特徴を抽出する自己注意型トランスフォーマーネットワークを提案する。我々のモデルは、フリーテキストキーストローク認証における従来の最先端技術を上回る。
論文参考訳（メタデータ） (2023-10-18T00:34:26Z)
BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文参考訳（メタデータ） (2022-07-27T09:26:15Z)
Reading and Writing: Discriminative and Generative Modeling for Self-Supervised Text Recognition [101.60244147302197]
テキスト画像の識別と生成を学習するために,コントラスト学習とマスク付き画像モデリングを導入する。本手法は,不規則なシーンテキスト認識データセットにおいて,従来の自己教師付きテキスト認識手法を10.2%～20.2%向上させる。提案したテキスト認識器は,11のベンチマークで平均5.3%の精度で従来のテキスト認識手法を上回り,モデルサイズが類似している。
論文参考訳（メタデータ） (2022-07-01T03:50:26Z)
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)
Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
論文参考訳（メタデータ） (2021-09-12T19:33:34Z)
Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文参考訳（メタデータ） (2020-07-09T08:04:38Z)
TypeNet: Scaling up Keystroke Biometrics [79.19779718346128]
まず、リカレントニューラルネットワーク(RNN)を用いて、ユーザ毎のデータ量が不足している場合に、ユーザを認証できる範囲を分析した。ネットワークのテストに1Kのユーザがいるため、TypeNetのエラー率は4.8%である。ユーザ毎のデータ量と同じで、テストユーザ数が100Kまでスケールアップされるため、1Kと比較してパフォーマンスは5%以下に低下する。
論文参考訳（メタデータ） (2020-04-07T18:05:33Z)

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。