論文の概要: Type2Branch: Keystroke Biometrics based on a Dual-branch Architecture with Attention Mechanisms and Set2set Loss
- arxiv url: http://arxiv.org/abs/2405.01088v1
- Date: Thu, 2 May 2024 08:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 17:23:40.695095
- Title: Type2Branch: Keystroke Biometrics based on a Dual-branch Architecture with Attention Mechanisms and Set2set Loss
- Title（参考訳）: Type2Branch: 注意機構とset2set損失を持つデュアルブランチアーキテクチャに基づくキーストロークバイオメトリックス
- Authors: Nahuel González, Giuseppe Stragapede, Rubén Vera-Rodriguez, Rubén Tolosana,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.23087771966975
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In 2021, the pioneering work on TypeNet showed that keystroke dynamics verification could scale to hundreds of thousands of users with minimal performance degradation. Recently, the KVC-onGoing competition has provided an open and robust experimental protocol for evaluating keystroke dynamics verification systems of such scale, including considerations of algorithmic fairness. This article describes Type2Branch, the model and techniques that achieved the lowest error rates at the KVC-onGoing, in both desktop and mobile scenarios. The novelty aspects of the proposed Type2Branch include: i) synthesized timing features emphasizing user behavior deviation from the general population, ii) a dual-branch architecture combining recurrent and convolutional paths with various attention mechanisms, iii) a new loss function named Set2set that captures the global structure of the embedding space, and iv) a training curriculum of increasing difficulty. Considering five enrollment samples per subject of approximately 50 characters typed, the proposed Type2Branch achieves state-of-the-art performance with mean per-subject EERs of 0.77% and 1.03% on evaluation sets of respectively 15,000 and 5,000 subjects for desktop and mobile scenarios. With a uniform global threshold for all subjects, the EERs are 3.25% for desktop and 3.61% for mobile, outperforming previous approaches by a significant margin.
- Abstract（参考訳）: 2021年、TypeNetの先駆的な研究により、キーストロークのダイナミックス検証は、パフォーマンスの低下を最小限に抑えながら数十万のユーザまで拡張可能であることが示された。
近年、KVC-onGoingコンペティションは、アルゴリズムの公正性を考慮したキーストローク力学検証システムの評価のためのオープンで堅牢な実験的プロトコルを提供している。
この記事では、デスクトップとモバイルの両方のシナリオにおいて、KVC-onGoingで最低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。
提案された2ブランチの斬新な側面には、以下のものがある。
一 一般人口からのユーザ行動の逸脱を強調した合成タイミング特徴
二 反復経路及び畳み込み経路を各種の注意機構と組み合わせた二重分岐構造
三 埋設空間のグローバル構造を捕捉するSet2setという新たな損失関数
四 困難を増す訓練カリキュラム
提案したType2Branchは,約50文字をタイプした被験者毎の5つの登録サンプルを考慮し,デスクトップシナリオとモバイルシナリオでそれぞれ15,000名,5000名の評価セットに対して平均0.77%,1.03%のEERで最先端のパフォーマンスを達成している。
すべての被験者に統一された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。
関連論文リスト
- Improving ICD coding using Chapter based Named Entities and Attentional Models [0.0]
我々は、章ベースの名前付きエンティティと注意モデルを用いて、F1スコアを改善するICD符号化の強化アプローチを導入する。
本手法は, 放電サマリーをICD-9章に分類し, 章別データを用いた注意モデルを開発する。
分類には第IV章を使用し、ニューラルネットワークを使わずに重要な要素や重みをデバイアスし、影響を及ぼす。
論文 参考訳（メタデータ） (2024-07-24T12:34:23Z) - IEEE BigData 2023 Keystroke Verification Challenge (KVC) [14.366081634293721]
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。
論文 参考訳（メタデータ） (2024-01-29T20:51:42Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-08-04T09:11:07Z) - Efficient, Uncertainty-based Moderation of Neural Networks Text
Classifiers [8.883733362171034]
本稿では,分類器の出力を効率よく操作できるフレームワークを提案する。
予測の不確実性を利用して、不確実で、おそらく不正確な分類を人間のモデレーターに渡す半自動化アプローチを提案する。
一連のベンチマーク実験により、我々のフレームワークは分類F1スコアを5.1から11.2%改善できることが示された。
論文 参考訳（メタデータ） (2022-04-04T09:07:54Z) - Semi-supervised New Event Type Induction and Description via Contrastive
Loss-Enforced Batch Attention [56.46649994444616]
マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。
私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
論文 参考訳（メタデータ） (2022-02-12T00:32:22Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳（メタデータ） (2021-07-07T00:52:16Z) - Small footprint Text-Independent Speaker Verification for Embedded
Systems [7.123796359179192]
本稿では,話者検証のための2段階モデルアーキテクチャのオーダーを共通解より桁違いに小さくする。
Raspberry Pi 3BのようなIoTシステムに典型的な小型デバイスでソリューションを実行する可能性を示し、5秒の発話で200ms未満のレイテンシを持つ。
論文 参考訳（メタデータ） (2020-11-03T13:53:05Z) - A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。
以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。
クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文 参考訳（メタデータ） (2020-11-03T03:27:18Z) - Device-Robust Acoustic Scene Classification Based on Two-Stage
Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。
タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。
Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文 参考訳（メタデータ） (2020-07-16T15:07:14Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。