論文の概要: KVC-onGoing: Keystroke Verification Challenge

• arxiv url: http://arxiv.org/abs/2412.20530v1
• Date: Sun, 29 Dec 2024 17:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 22:07:02.647332
• Title: KVC-onGoing: Keystroke Verification Challenge
• Title（参考訳）: KVC-on Going: キーストローク検証の課題
• Abstract要約: キーストロークデータは、185,000人以上の被験者による可変転写テキストのツイート長のシーケンスで構成されている。 KVC-onGoingの評価セットの結果,キーストローク力学の判別能力が高いことが証明された。
• 参考スコア（独自算出の注目度）: 38.38601228338356
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article presents the Keystroke Verification Challenge - onGoing (KVC-onGoing), on which researchers can easily benchmark their systems in a common platform using large-scale public databases, the Aalto University Keystroke databases, and a standard experimental protocol. The keystroke data consist of tweet-long sequences of variable transcript text from over 185,000 subjects, acquired through desktop and mobile keyboards simulating real-life conditions. The results on the evaluation set of KVC-onGoing have proved the high discriminative power of keystroke dynamics, reaching values as low as 3.33% of Equal Error Rate (EER) and 11.96% of False Non-Match Rate (FNMR) @1% False Match Rate (FMR) in the desktop scenario, and 3.61% of EER and 17.44% of FNMR @1% at FMR in the mobile scenario, significantly improving previous state-of-the-art results. Concerning demographic fairness, the analyzed scores reflect the subjects' age and gender to various extents, not negligible in a few cases. The framework runs on CodaLab.
• Abstract（参考訳）: 本稿では,大規模公開データベース,アルト大学キーストロークデータベース,標準実験プロトコルを用いて,研究者が共通プラットフォーム上でシステムを簡単にベンチマークできるKeystroke Verification Challenge - OnGoing(KVC-onGoing)を提案する。 キーストロークデータは185,000人以上の被験者による可変転写テキストのツイート長のシーケンスで構成され、実際の環境をシミュレートするデスクトップおよびモバイルキーボードを通じて取得される。 KVC-onGoingの評価セットは、キーストローク力学の高い判別力を示し、デスクトップシナリオでは、EER(Equal Error Rate)の3.33%、FNMR(False Non-Match Rate)の11.96%、FMR(False False Match Rate)の3.61%、モバイルシナリオではFMRの17.44%に到達した。 人口動態の公平性については、分析されたスコアは被験者の年齢や性別を様々な程度に反映しており、いくつかのケースでは無視できない。 フレームワークはCodaLabで動作する。

関連論文リスト

• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• 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)
• Keystroke Verification Challenge (KVC): Biometric and Fairness Benchmark Evaluation [21.63351064421652]
  生体認証のためのキーストローク力学(KD)にはいくつかの利点がある。 KDは最も差別的な行動特性の1つである。 KDに基づく生体認証性能と公正性を評価するための新しい実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T11:23:28Z)
• Free-text Keystroke Authentication using Transformers: A Comparative Study of Architectures and Loss Functions [1.0152838128195467]
  キーストロークバイオメトリックスは、個人のタイピング行動におけるユニークなパターンを活用する、ユーザ識別と検証のための有望なアプローチである。 本稿では,キーストロークシーケンスから情報的特徴を抽出する自己注意型トランスフォーマーネットワークを提案する。 我々のモデルは、フリーテキストキーストローク認証における従来の最先端技術を上回る。
  論文  参考訳（メタデータ） (2023-10-18T00:34:26Z)
• Large Language Models are not Fair Evaluators [60.27164804083752]
  候補回答の品質ランキングは,文脈の出現順序を変えることで容易にハックできることがわかった。 この操作により、評価結果をスキューし、一方のモデルを他方よりもかなり優れているようにすることができる。 この問題を緩和するための3つのシンプルかつ効果的な戦略を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T07:41:03Z)
• Retrieval-based Disentangled Representation Learning with Natural Language Supervision [61.75109410513864]
  本稿では,VDR(Vocabulary Disentangled Retrieval)を提案する。 提案手法では,両エンコーダモデルを用いて語彙空間におけるデータと自然言語の両方を表現する。
  論文  参考訳（メタデータ） (2022-12-15T10:20:42Z)
• 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)
• My(o) Armband Leaks Passwords: An EMG and IMU Based Keylogging Side-Channel Attack [8.195365677760211]
  センサ・モダリティであるEMG(Electromyographic Data)データの利用の可能性について検討する。 本手法では加速度計やジャイロスコープと比較すると,EMGデータが最も顕著な情報源であることが判明した。 我々は37人のボランティアから記録された310万以上のキーストロークを含む広範なデータセットを作成しました。
  論文  参考訳（メタデータ） (2021-12-04T16:48:56Z)
• TypeNet: Deep Learning Keystroke Biometrics [77.80092630558305]
  TypeNetは、アイデンティティ毎に適度な数のキーストロークでトレーニングされた、リカレントニューラルネットワークである。 5つのギャラリーシーケンスと長さ50のテストシーケンスにより、TypeNetは最先端のキーストロークバイオメトリック認証性能を実現します。 実験では,最大10,000人の被験者による誤りの程度の増加を実証し,インターネット規模でのTypeNetの運用の可能性を示した。
  論文  参考訳（メタデータ） (2021-01-14T12:49:09Z)
• Keystroke Biometrics in Response to Fake News Propagation in a Global Pandemic [77.79066811371978]
  本研究では,キーストロークバイオメトリックスを用いたコンテンツ匿名化手法の提案と解析を行う。 フェイクニュースは、特に主要なイベントにおいて、世論を操作する強力なツールとなっている。
  論文  参考訳（メタデータ） (2020-05-15T17:56:11Z)
• TypeNet: Scaling up Keystroke Biometrics [79.19779718346128]
  まず、リカレントニューラルネットワーク(RNN)を用いて、ユーザ毎のデータ量が不足している場合に、ユーザを認証できる範囲を分析した。 ネットワークのテストに1Kのユーザがいるため、TypeNetのエラー率は4.8%である。 ユーザ毎のデータ量と同じで、テストユーザ数が100Kまでスケールアップされるため、1Kと比較してパフォーマンスは5%以下に低下する。
  論文  参考訳（メタデータ） (2020-04-07T18:05:33Z)

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。