論文の概要: DEFT: A new distance-based feature set for keystroke dynamics

• arxiv url: http://arxiv.org/abs/2310.04059v1
• Date: Fri, 6 Oct 2023 07:26:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-09 23:18:23.679421
• Title: DEFT: A new distance-based feature set for keystroke dynamics
• Title（参考訳）: DEFT:キーストロークダイナミクスのための新しい距離ベース機能セット
• Authors: Nuwan Kaluarachchi, Sevvandi Kandanaarachchi, Kristen Moore and Arathi Arakala
• Abstract要約: キーストローク力学では従来考えられていなかった概念であるキーボード上のキー間の距離に基づく新しい特徴セットを提案する。 我々は、DEFT機能と以前に使用したキーストロークダイナミック機能を組み合わせることで、DEFTモデルを構築する。 DEFTモデルはデバイスに依存しないように設計されており、3つの一般的なデバイスで有効性を評価することができる。
• 参考スコア（独自算出の注目度）: 1.8796659304823702
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Keystroke dynamics is a behavioural biometric utilised for user identification and authentication. We propose a new set of features based on the distance between keys on the keyboard, a concept that has not been considered before in keystroke dynamics. We combine flight times, a popular metric, with the distance between keys on the keyboard and call them as Distance Enhanced Flight Time features (DEFT). This novel approach provides comprehensive insights into a person's typing behaviour, surpassing typing velocity alone. We build a DEFT model by combining DEFT features with other previously used keystroke dynamic features. The DEFT model is designed to be device-agnostic, allowing us to evaluate its effectiveness across three commonly used devices: desktop, mobile, and tablet. The DEFT model outperforms the existing state-of-the-art methods when we evaluate its effectiveness across two datasets. We obtain accuracy rates exceeding 99% and equal error rates below 10% on all three devices.
• Abstract（参考訳）: キーストロークダイナミクス(Keystroke dynamics)は、ユーザの識別と認証に使用される行動バイオメトリックである。 キーストローク力学では従来考えられていなかった概念であるキーボード上のキー間の距離に基づく新しい特徴セットを提案する。 私たちは、人気の指標であるフライトタイムと、キーボード上のキー間の距離を組み合わせ、それらをDistance Enhanced Flight Time feature (DEFT)と呼びます。 この新しいアプローチは、タイピング速度のみを越え、人のタイピング行動に関する包括的な洞察を提供する。 我々はdeft機能を他のキーストローク動的機能と組み合わせることでdeftモデルを構築する。 DEFTモデルはデバイスに依存しないように設計されており、デスクトップ、モバイル、タブレットの3つの一般的なデバイスで有効性を評価することができる。 DEFTモデルは、2つのデータセット間での有効性を評価する際に既存の最先端手法よりも優れている。 3つのデバイスで99%を超える精度と10%以下のエラー率を得る。

関連論文リスト

• Sparse Binarization for Fast Keyword Spotting [10.964148450512972]
  KWSモデルは、リアルタイムアプリケーション、プライバシ、帯域幅効率のためにエッジデバイスにデプロイすることができる。 本稿では,スパース入力表現に基づく新しいキーワードスポッティングモデルを提案する。 また,本手法は高速かつノイズの多い環境でもより堅牢である。
  論文  参考訳（メタデータ） (2024-06-09T08:03:48Z)
• Exploring Latent Spaces of Tonal Music using Variational Autoencoders [0.9065034043031668]
  変分オートエンコーダ (VAE) は認知的および意味的価値の潜在表現を生成するのに有効なモデルであることが証明されている。 バッハの合唱曲371曲の原型音節コーパスでVAEが訓練した程度を評価する。
  論文  参考訳（メタデータ） (2023-11-07T00:15:29Z)
• 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)
• Typing on Any Surface: A Deep Learning-based Method for Real-Time Keystroke Detection in Augmented Reality [4.857109990499532]
  空中キーボードインターフェース、ワイヤレスキーボード、または音声入力は、エルゴノミクス設計が貧弱で、精度が限られているか、単に公の場で使うのが恥ずかしい。 本稿では、ユーザ視点のRGBビデオストリームから、ARアプリケーションがキーストロークを正確に予測できるディープラーニングベースのアプローチを提案し、検証する。 既製ハンドランドマーク抽出器と,適応型畳み込みリカレントニューラルネットワーク(C-RNN)を併用した2段階モデルを開発した。
  論文  参考訳（メタデータ） (2023-08-31T23:58:25Z)
• TypeFormer: Transformers for Mobile Keystroke Biometrics [11.562974686156196]
  本稿では,ユーザ認証のためにモバイルデバイス上で実行される自由テキストキーストロークダイナミクスをモデル化するトランスフォーマーアーキテクチャを提案する。 TypeFormerは、50キーストロークの5つのエンローメントセッションのみを使用して、EER(Equal Error Rate)の値が3.25%に達する現在の最先端システムよりもパフォーマンスがよい。
  論文  参考訳（メタデータ） (2022-12-26T10:25:06Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• 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)
• When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
  正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。 精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
  論文  参考訳（メタデータ） (2021-05-27T13:51:42Z)
• Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT Philosophy [63.91005999481061]
  実用的長期トラッカーは、典型的には3つの重要な特性を含む。 効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。 動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。 我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
  論文  参考訳（メタデータ） (2021-04-25T00:59:53Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)

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。