論文の概要: IEEE BigData 2023 Keystroke Verification Challenge (KVC)

• arxiv url: http://arxiv.org/abs/2401.16559v1
• Date: Mon, 29 Jan 2024 20:51:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 17:04:40.077240
• Title: IEEE BigData 2023 Keystroke Verification Challenge (KVC)
• Title（参考訳）: IEEE BigData 2023 Keystroke Verification Challenge (KVC)
• Authors: Giuseppe Stragapede and Ruben Vera-Rodriguez and Ruben Tolosana and Aythami Morales and Ivan DeAndres-Tame and Naser Damer and Julian Fierrez and Javier-Ortega Garcia and Nahuel Gonzalez and Andrei Shadrikov and Dmitrii Gordin and Leon Schmitt and Daniel Wimmer and Christoph Grossmann and Joerdis Krieger and Florian Heinz and Ron Krestel and Christoffer Mayer and Simon Haberl and Helena Gschrey and Yosuke Yamagishi and Sanjay Saha and Sanka Rasnayaka and Sandareka Wickramanayake and Terence Sim and Weronika Gutfeter and Adam Baran and Mateusz Krzyszton and Przemyslaw Jaskola
• Abstract要約: 本稿では,185,000人以上の被験者からの可変転写テキストのツイート長列として捉えたKeystroke Dynamicsの生体認証性能について考察する。 データは、これまでで最大規模のKDパブリックデータベースの2つから取得されている。 参加者によっていくつかのニューラルアーキテクチャが提案され、それぞれのチームが達成した3.33%と3.61%という世界的平等エラー率(EER)が達成された。
• 参考スコア（独自算出の注目度）: 14.366081634293721
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper describes the results of the IEEE BigData 2023 Keystroke Verification Challenge (KVC), that considers the biometric verification performance of Keystroke Dynamics (KD), captured as tweet-long sequences of variable transcript text from over 185,000 subjects. The data are obtained from two of the largest public databases of KD up to date, the Aalto Desktop and Mobile Keystroke Databases, guaranteeing a minimum amount of data per subject, age and gender annotations, absence of corrupted data, and avoiding excessively unbalanced subject distributions with respect to the considered demographic attributes. Several neural architectures were proposed by the participants, leading to global Equal Error Rates (EERs) as low as 3.33% and 3.61% achieved by the best team respectively in the desktop and mobile scenario, outperforming the current state of the art biometric verification performance for KD. Hosted on CodaLab, the KVC will be made ongoing to represent a useful tool for the research community to compare different approaches under the same experimental conditions and to deepen the knowledge of the field.
• Abstract（参考訳）: 本稿では,キーストロークダイナミクス(kd)の生体認証性能を考慮したieee bigdata 2023 key stroke verification challenge(kvc)の結果について述べる。 これまでのkdの最大の公開データベースであるaalto desktopとmobile key strokeの2つから取得し、対象毎の最小データ量、年齢と性別の注釈、腐敗したデータがないこと、そして考慮された人口属性に関して過度にバランスのとれない主題分布を避ける。 参加者によっていくつかのニューラルアーキテクチャが提案され、世界的平等エラーレート(EER)がデスクトップとモバイルのシナリオでそれぞれ3.33%と3.61%に低下し、KDのバイオメトリック認証のパフォーマンスを上回った。 CodaLabにホストされているKVCは、同じ実験条件下で異なるアプローチを比較し、その分野の知識を深めるために、研究コミュニティにとって有用なツールとして進行中である。

関連論文リスト

• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• IAI Group at CheckThat! 2024: Transformer Models and Data Augmentation for Checkworthy Claim Detection [1.3686993145787067]
  本稿では,IAIグループによるクレームの自動チェックハーネス評価への参加について述べる。 このタスクには、英語、オランダ語、アラビア語の政治討論やTwitterのデータで、チェック価値のあるクレームを自動的に検出することが含まれる。 我々は、様々な事前学習された生成デコーダとエンコーダ変換モデルを利用し、少数ショットチェーンオブ思考推論のような手法を用いる。
  論文  参考訳（メタデータ） (2024-08-02T08:59:09Z)
• Type2Branch: Keystroke Biometrics based on a Dual-branch Architecture with Attention Mechanisms and Set2set Loss [5.23087771966975]
  この記事では、KVC-onGoingコンペティションで最も低いエラー率を達成したモデルとテクニックであるType2Branchについて説明する。 約50文字が入力された被験者あたりの5つの登録サンプルを考えると、提案したType2Branchは最先端のパフォーマンスを実現している。 すべての被験者に均一なグローバルしきい値があり、EERはデスクトップが3.25%、モバイルが3.61%であり、以前のアプローチよりも大幅に差がある。
  論文  参考訳（メタデータ） (2024-05-02T08:33:43Z)
• AIGIQA-20K: A Large Database for AI-Generated Image Quality Assessment [54.93996119324928]
  AIGIQA-20Kとして知られる2万のAIGIと420,000の主観評価を備えた、これまでで最大のAIGI主観的品質データベースを作成します。 このデータベース上でベンチマーク実験を行い、16の主流AIGI品質モデルと人間の知覚との対応性を評価する。
  論文  参考訳（メタデータ） (2024-04-04T12:12:24Z)
• Keystroke Verification Challenge (KVC): Biometric and Fairness Benchmark Evaluation [21.63351064421652]
  生体認証のためのキーストローク力学(KD)にはいくつかの利点がある。 KDは最も差別的な行動特性の1つである。 KDに基づく生体認証性能と公正性を評価するための新しい実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T11:23:28Z)
• Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
  顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。 この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。 制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
  論文  参考訳（メタデータ） (2023-04-12T10:29:42Z)
• 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)
• My(o) Armband Leaks Passwords: An EMG and IMU Based Keylogging Side-Channel Attack [8.195365677760211]
  センサ・モダリティであるEMG(Electromyographic Data)データの利用の可能性について検討する。 本手法では加速度計やジャイロスコープと比較すると,EMGデータが最も顕著な情報源であることが判明した。 我々は37人のボランティアから記録された310万以上のキーストロークを含む広範なデータセットを作成しました。
  論文  参考訳（メタデータ） (2021-12-04T16:48:56Z)
• Semi-Supervised Domain Generalizable Person Re-Identification [74.75528879336576]
  既存の人物の再識別(re-id)メソッドは、新しい目に見えないシナリオにデプロイされると立ち往生する。 近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが進められている。 我々は、複数のラベル付きデータセットを探索し、人物の再識別のための一般化されたドメイン不変表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-08-11T06:08:25Z)
• GAIA: A Transfer Learning System of Object Detection that Fits Your Needs [136.60609274344893]
  大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。 本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。 GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
  論文  参考訳（メタデータ） (2021-06-21T18:24:20Z)
• A Robust Comparison of the KDDCup99 and NSL-KDD IoT Network Intrusion Detection Datasets Through Various Machine Learning Algorithms [0.0]
  最も引用されている侵入検知データセットはKDDCup99とNSL-KDDである。 このプロジェクトの主な目標は、両方のデータセットを堅牢に比較することでした。 NSL-KDDデータセットは、KDDCup99データセットよりも高品質である、という結論に達したのです。
  論文  参考訳（メタデータ） (2019-12-31T07:36:33Z)

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。

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。