論文の概要: UserBoost: Generating User-specific Synthetic Data for Faster Enrolment into Behavioural Biometric Systems
- arxiv url: http://arxiv.org/abs/2407.09104v1
- Date: Fri, 12 Jul 2024 09:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 00:07:20.472552
- Title: UserBoost: Generating User-specific Synthetic Data for Faster Enrolment into Behavioural Biometric Systems
- Title(参考訳): UserBoost: 行動バイオメトリックシステムへのより高速なエンローメントのためのユーザ固有の合成データを生成する
- Authors: George Webber, Jack Sturgess, Ivan Martinovic,
- Abstract要約: 実データと合成データを併用することで,生体認証システムにエンロールするために必要な実データポイント数を削減できることを示す。
実世界のシステムにおいて,学習における合成ジェスチャーを用いることで,分類能力の向上が期待できることを示す。
- 参考スコア(独自算出の注目度): 8.812837829361923
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behavioural biometric authentication systems entail an enrolment period that is burdensome for the user. In this work, we explore generating synthetic gestures from a few real user gestures with generative deep learning, with the application of training a simple (i.e. non-deep-learned) authentication model. Specifically, we show that utilising synthetic data alongside real data can reduce the number of real datapoints a user must provide to enrol into a biometric system. To validate our methods, we use the publicly available dataset of WatchAuth, a system proposed in 2022 for authenticating smartwatch payments using the physical gesture of reaching towards a payment terminal. We develop a regularised autoencoder model for generating synthetic user-specific wrist motion data representing these physical gestures, and demonstrate the diversity and fidelity of our synthetic gestures. We show that using synthetic gestures in training can improve classification ability for a real-world system. Through this technique we can reduce the number of gestures required to enrol a user into a WatchAuth-like system by more than 40% without negatively impacting its error rates.
- Abstract(参考訳): 行動バイオメトリック認証システムは、ユーザにとって負担のかかるエンロラメント期間を必要とする。
本研究では,生成的深層学習を用いたユーザジェスチャから合成ジェスチャの生成について検討し,単純な(非深層学習)認証モデルのトレーニングを応用した。
具体的には,実データと合成データを併用することで,生体認証システムにエンロールするために必要な実データ点数を削減できることを示す。
この手法を検証するために,2022年に提案されたWatchAuthのデータセットを用いて,支払い端末に手を伸ばした物理的なジェスチャーを用いて,スマートウォッチの支払いを認証するシステムを開発した。
本研究では,これらの物理ジェスチャーを表す合成ユーザ固有の手首動作データを生成するための正規化オートエンコーダモデルを構築し,合成ジェスチャーの多様性と忠実さを実証する。
実世界のシステムにおいて,学習における合成ジェスチャーを用いることで,分類能力の向上が期待できることを示す。
この技術により、エラー率に悪影響を及ぼすことなく、WatchAuthライクなシステムにユーザをエンローリングするために必要なジェスチャー数を40%以上削減できる。
関連論文リスト
- Learning Visuotactile Skills with Two Multifingered Hands [80.99370364907278]
マルチフィンガーハンドとバイソタクティブルデータを用いたバイマニアルシステムを用いて,人間の実演からの学習を探索する。
以上の結果から,バイスオタクティブルデータからの両指多指操作における有望な進歩が示唆された。
論文 参考訳(メタデータ) (2024-04-25T17:59:41Z) - Towards Open-World Gesture Recognition [19.019579924491847]
手首輪デバイスに基づくジェスチャー認識などのジェスチャー認識を含む実世界のアプリケーションでは、データ分布は時間とともに変化する可能性がある。
本稿では,機械学習モデルが新しいタスクに適応できるようにするために,継続学習の利用を提案する。
オープンワールドな手首のジェスチャー認識プロセスの開発を促進するための設計ガイドラインを提供する。
論文 参考訳(メタデータ) (2024-01-20T06:45:16Z) - Improving the Security of Smartwatch Payment with Deep Learning [0.0]
この論文は、ユーザーがスマートウォッチ支払いの認証システムにエンロールするために必要なジェスチャーの数を減らすことができるかどうかを調査する。
まず,最先端技術よりも優れたディープラーニング認証システムを構築する。
そこで我々は,ユーザ固有のジェスチャを生成するための正規化オートエンコーダモデルを開発した。
論文 参考訳(メタデータ) (2023-07-11T17:02:21Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳(メタデータ) (2023-05-12T17:24:02Z) - 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) - 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) - SHREC 2021: Track on Skeleton-based Hand Gesture Recognition in the Wild [62.450907796261646]
手のジェスチャーの認識は、ソフトウェアによって推定される手の骨格のストリームから直接行うことができる。
最近のスケルトンからのジェスチャーや行動認識の進歩にもかかわらず、現在の最先端技術が現実のシナリオでどの程度うまく機能するかは明らかではない。
本稿では,SHREC 2021: Track on Skeleton-based Hand Gesture Recognition in the Wild contestについて述べる。
論文 参考訳(メタデータ) (2021-06-21T10:57:49Z) - GAN pretraining for deep convolutional autoencoders applied to
Software-based Fingerprint Presentation Attack Detection [0.0]
本研究は,ソフトウェアを用いた指紋提示アタッチメント検出のための単一クラス分類に対する新しいアプローチを提案する。
この手法は、ワッサーシュタインGANを用いて、深い畳み込みオートエンコーダに転写学習を適用する。
論文 参考訳(メタデータ) (2021-05-21T09:08:34Z) - To augment or not to augment? Data augmentation in user identification
based on motion sensors [24.182791316595576]
本稿では,モーションセンサデータに有用な拡張手法を見つけるために,いくつかのデータ拡張手法について検討する。
ユーザを識別するのに有用な信号パターンは、特定のデータ拡張技術によってもたらされる変換にあまりにも敏感だからです。
論文 参考訳(メタデータ) (2020-09-01T09:11:12Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳(メタデータ) (2020-08-11T17:58:50Z) - End-to-end User Recognition using Touchscreen Biometrics [11.394909061094463]
目標は、モバイルデバイスの生データを使ってユーザーを透過的に識別できるエンドツーエンドシステムを作ることだった。
提案するシステムでは,タッチスクリーンからのデータはディープニューラルネットワークの入力に直接反映され,ユーザの同一性を決定することができる。
論文 参考訳(メタデータ) (2020-06-09T16:38:09Z)
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。