論文の概要: Your device may know you better than you know yourself -- continuous authentication on novel dataset using machine learning

• arxiv url: http://arxiv.org/abs/2403.03832v1
• Date: Wed, 6 Mar 2024 16:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 14:21:43.534142
• Title: Your device may know you better than you know yourself -- continuous authentication on novel dataset using machine learning
• Title（参考訳）: デバイスはあなた自身よりもあなたをよく知っているかもしれない -- 機械学習を用いた新しいデータセット上での継続的認証
• Authors: Pedro Gomes do Nascimento, Pidge Witiak, Tucker MacCallum, Zachary Winterfeldt, Rushit Dave
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research aims to further understanding in the field of continuous authentication using behavioral biometrics. We are contributing a novel dataset that encompasses the gesture data of 15 users playing Minecraft with a Samsung Tablet, each for a duration of 15 minutes. Utilizing this dataset, we employed machine learning (ML) binary classifiers, being Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Classifier (SVC), to determine the authenticity of specific user actions. Our most robust model was SVC, which achieved an average accuracy of approximately 90%, demonstrating that touch dynamics can effectively distinguish users. However, further studies are needed to make it viable option for authentication systems
• Abstract（参考訳）: 本研究は,行動バイオメトリックスを用いた連続認証分野のさらなる理解を目的とする。 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。 このデータセットを利用して,ランダムフォレスト (rf) である機械学習 (ml) バイナリ分類器,k-nearest neighbors (knn) および support vector classifier (svc) を用いて,特定のユーザアクションの真正性を決定する。 私たちの最も堅牢なモデルはSVCで、平均精度は約90%に達し、タッチダイナミクスがユーザを効果的に区別できることを示しました。 しかし、認証システムに有効な選択肢を与えるためには、さらなる研究が必要である。

関連論文リスト

• Realtime Person Identification via Gait Analysis [1.3260363717086592]
  エッジAIデプロイメントとリアルタイム歩行認識に非常に適した4層を有する小型CNNモデルを提案する。 我々のモデルは96.7%の精度で5KBのRAMしか消費せず、起動時間は70msと125mWである。
  論文  参考訳（メタデータ） (2024-04-02T18:15:06Z)
• Your Identity is Your Behavior -- Continuous User Authentication based on Machine Learning and Touch Dynamics [0.0]
  本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。 参加者は4つのモバイルゲーム、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。 研究の結果,3つのアルゴリズムがそれぞれ,個々のタッチダイナミクスに基づいてユーザを効果的に分類できることが判明した。
  論文  参考訳（メタデータ） (2023-04-24T13:45:25Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• 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)
• 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)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Human Activity Analysis and Recognition from Smartphones using Machine Learning Techniques [0.0]
  人間の活動認識(HAR)は、過去数十年で貴重な研究トピックと考えられています。 本稿では、機械学習モデルを用いてデータを分析し、人間の活動を認識する。
  論文  参考訳（メタデータ） (2021-03-30T16:46:40Z)
• Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data [0.0]
  We use the popular WISDM dataset for activity recognition。 スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャしません。
  論文  参考訳（メタデータ） (2021-02-28T06:49:52Z)
• 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)

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。