論文の概要: Using Motion Forecasting for Behavior-Based Virtual Reality (VR) Authentication

• arxiv url: http://arxiv.org/abs/2401.16649v1
• Date: Tue, 30 Jan 2024 00:43:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 16:43:56.913869
• Title: Using Motion Forecasting for Behavior-Based Virtual Reality (VR) Authentication
• Title（参考訳）: 行動に基づく仮想現実(vr)認証における動作予測
• Authors: Mingjun Li, Natasha Kholgade Banerjee, Sean Banerjee
• Abstract要約: 本稿では,トランスフォーマーを用いた予測と,予測軌道を用いてユーザ認証を行うことによって,将来のユーザ行動を予測する手法を提案する。 提案手法では,認証等価エラー率(EER)を平均23.85%,最大36.14%削減する。
• 参考スコア（独自算出の注目度）: 8.552737863305213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Task-based behavioral biometric authentication of users interacting in virtual reality (VR) environments enables seamless continuous authentication by using only the motion trajectories of the person's body as a unique signature. Deep learning-based approaches for behavioral biometrics show high accuracy when using complete or near complete portions of the user trajectory, but show lower performance when using smaller segments from the start of the task. Thus, any systems designed with existing techniques are vulnerable while waiting for future segments of motion trajectories to become available. In this work, we present the first approach that predicts future user behavior using Transformer-based forecasting and using the forecasted trajectory to perform user authentication. Our work leverages the notion that given the current trajectory of a user in a task-based environment we can predict the future trajectory of the user as they are unlikely to dramatically shift their behavior since it would preclude the user from successfully completing their task goal. Using the publicly available 41-subject ball throwing dataset of Miller et al. we show improvement in user authentication when using forecasted data. When compared to no forecasting, our approach reduces the authentication equal error rate (EER) by an average of 23.85% and a maximum reduction of 36.14%.
• Abstract（参考訳）: バーチャルリアリティ(VR)環境で対話するユーザのタスクベースの行動生体認証は、人の身体の運動軌跡のみをユニークなシグネチャとして使用することにより、シームレスな連続的な認証を可能にする。 深層学習に基づく行動バイオメトリクスのアプローチは、ユーザの軌道の完全あるいはほぼ完全な部分を使用する場合、高い精度を示すが、タスク開始時からより小さな部分を使用する場合、より低い性能を示す。 したがって、既存の技術で設計されたシステムは、将来のモーショントラジェクタのセグメントが利用可能になるのを待つ間、脆弱である。 そこで本研究では,トランスフォーマーに基づく予測と,予測軌道を用いてユーザ認証を行う第1の手法を提案する。 我々の研究は、タスクベース環境におけるユーザの現在の軌道を考えると、タスク目標達成を妨げてしまうため、ユーザの行動が劇的に変化する可能性が低いため、ユーザの将来の軌道を予測できるという考え方を活用する。 millerなどの41サブジェクトの投球データセットを使用して,予測データを使用する際のユーザ認証の改善を示す。 予測を行わない場合,認証等誤差率(EER)を平均23.85%,最大36.14%削減する。

関連論文リスト

• USE: Dynamic User Modeling with Stateful Sequence Models [26.74966828348815]
  User Stateful Embedding (USE)は、徹底的な再処理を必要とせずに、ユーザ埋め込みを生成する。 我々は,次世代の予測の限界を超越するために,将来のW行動予測という新たな訓練目標を導入する。 静的(固定されたユーザ行動シーケンス)および動的(定期的に更新されたユーザ行動シーケンス)設定の両方で、Snapchatユーザーの行動ログを使用して、8つの下流タスクで実験を行う。
  論文  参考訳（メタデータ） (2024-03-20T07:05:19Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• 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)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
  本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。 CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。 少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
  論文  参考訳（メタデータ） (2020-12-09T21:44:36Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Data-Efficient Reinforcement Learning with Self-Predictive Representations [21.223069189953037]
  我々はエージェントに、未来への複数のステップを予測させるように訓練する。 この将来の予測目標は, 試料効率の高い深部RLの先行手法よりも優れている。 今後の予測とデータ拡張を組み合わせた完全な自己監督目標が,アタリにおける人間正規化スコアの0.415を達成している。
  論文  参考訳（メタデータ） (2020-07-12T07:38:15Z)
• Incremental Real-Time Personalization in Human Activity Recognition Using Domain Adaptive Batch Normalization [1.160208922584163]
  スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。 従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。 我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-05-25T15:49:10Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。