論文の概要: 1-D CNN-Based Online Signature Verification with Federated Learning
- arxiv url: http://arxiv.org/abs/2406.06597v1
- Date: Thu, 6 Jun 2024 08:27:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 21:14:20.620761
- Title: 1-D CNN-Based Online Signature Verification with Federated Learning
- Title（参考訳）: 1次元CNNに基づくフェデレートラーニングによるオンライン署名検証
- Authors: Lingfeng Zhang, Yuheng Guo, Yepeng Ding, Hiroyuki Sato,
- Abstract要約: 従来のオンライン署名検証モデルは、データのプライバシに重大なリスクをもたらす。
本稿では,オンライン署名検証に1次元畳み込みニューラルネットワーク(CNN)を利用する新しいフェデレーション学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.569696506138257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online signature verification plays a pivotal role in security infrastructures. However, conventional online signature verification models pose significant risks to data privacy, especially during training processes. To mitigate these concerns, we propose a novel federated learning framework that leverages 1-D Convolutional Neural Networks (CNN) for online signature verification. Furthermore, our experiments demonstrate the effectiveness of our framework regarding 1-D CNN and federated learning. Particularly, the experiment results highlight that our framework 1) minimizes local computational resources; 2) enhances transfer effects with substantial initialization data; 3) presents remarkable scalability. The centralized 1-D CNN model achieves an Equal Error Rate (EER) of 3.33% and an accuracy of 96.25%. Meanwhile, configurations with 2, 5, and 10 agents yield EERs of 5.42%, 5.83%, and 5.63%, along with accuracies of 95.21%, 94.17%, and 94.06%, respectively.
- Abstract（参考訳）: オンライン署名検証は、セキュリティインフラストラクチャにおいて重要な役割を果たす。
しかし、従来のオンライン署名検証モデルは、特にトレーニングプロセスにおいて、データのプライバシに重大なリスクをもたらす。
これらの懸念を軽減するために,オンライン署名検証に1次元畳み込みニューラルネットワーク(CNN)を活用する新しいフェデレーション学習フレームワークを提案する。
さらに,本実験では,1次元CNNとフェデレーション学習に関するフレームワークの有効性を実証した。
特に実験結果は,我々のフレームワークが強調している。
1) 局所的な計算資源を最小化する。
2) 実質的な初期化データによる転送効果を高める。
3) 素晴らしいスケーラビリティを示します。
集中型1-D CNNモデルは、EER(Equal Error Rate)が3.33%、精度が96.25%に達する。
一方、2、5、10のエージェントによる構成では、EERは5.42%、5.83%、そして5.63%となり、それぞれ95.21%、94.17%、94.06%となっている。
関連論文リスト
- One-Shot Learning for Periocular Recognition: Exploring the Effect of
Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。
我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。
SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文 参考訳（メタデータ） (2023-07-11T09:10:16Z) - Self-Ensemble Protection: Training Checkpoints Are Good Data Protectors [41.45649235969172]
自己アンサンブル保護(SEP)は、データに対する優れたモデルのトレーニングを防ぐために提案されている。
例えば、我々の小さな摂動により、CIFAR-10 ResNet18の精度は94.56%から14.68%に低下し、最もよく知られている方法は41.35%となった。
論文 参考訳（メタデータ） (2022-11-22T04:54:20Z) - 3DeformRS: Certifying Spatial Deformations on Point Clouds [61.62846778591536]
3Dコンピュータビジョンモデルは、自律運転や外科ロボティクスといったセキュリティクリティカルな用途で一般的に使われている。
これらのモデルの実世界の変形に対する堅牢性に対する懸念は、実用的かつ確実に解決されなければならない。
本稿では,実世界の変形に対して,点雲深部ニューラルネットワーク(DNN)のロバスト性を検証する手法である3DeformRSを提案する。
論文 参考訳（メタデータ） (2022-04-12T10:24:31Z) - S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural
Networks via Guided Distribution Calibration [74.5509794733707]
本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。
提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。
提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
論文 参考訳（メタデータ） (2021-02-17T18:59:28Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳（メタデータ） (2020-12-08T11:06:26Z) - Combining Deep Transfer Learning with Signal-image Encoding for
Multi-Modal Mental Wellbeing Classification [2.513785998932353]
本稿では,複数のマルチモーダルデータセット上で感情状態認識を行う際の限界に対処する枠組みを提案する。
5-point Likertスケールで評価された実世界の幸福度を推定する際のモデル性能は,我々のフレームワークを用いて向上できることを示す。
論文 参考訳（メタデータ） (2020-11-20T13:37:23Z) - CatFedAvg: Optimising Communication-efficiency and Classification
Accuracy in Federated Learning [2.2172881631608456]
そこで我々はCatFedAvgというフェデレート学習アルゴリズムを新たに導入した。
コミュニケーション効率は向上するが、NIST戦略のカテゴリカバレッジを用いて学習の質を向上させる。
実験の結果,FedAvgよりもネットワーク転送率が70%低いMデータセットでは,10%の絶対点精度が向上していることがわかった。
論文 参考訳（メタデータ） (2020-11-14T06:52:02Z) - Efficient Exact Verification of Binarized Neural Networks [15.639601066641099]
バイナリニューラルネットワーク(BNN)は、同等の堅牢性を提供し、正確かつはるかに効率的な検証を可能にする。
我々は,BNNの効率的かつ正確な検証を行うための新しいシステムであるEEVを提案する。
非自明な畳み込みBNNのL-inf-bounded adversarial robustnessに対する最初の正確な検証結果を示すことにより、脳波の有効性を実証する。
論文 参考訳（メタデータ） (2020-05-07T16:34:30Z) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z) - A Simple Framework for Contrastive Learning of Visual Representations [116.37752766922407]
本稿では,視覚表現のコントラスト学習のためのシンプルなフレームワークであるSimCLRについて述べる。
我々は,データ拡張の構成が効果的な予測タスクを定義する上で重要な役割を担っていることを示す。
我々は、ImageNet上での自己教師付き半教師付き学習において、従来の手法よりもかなり優れています。
論文 参考訳（メタデータ） (2020-02-13T18:50:45Z)
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。