論文の概要: ECG Identity Authentication in Open-set with Multi-model Pretraining and Self-constraint Center & Irrelevant Sample Repulsion Learning

• arxiv url: http://arxiv.org/abs/2504.18608v1
• Date: Fri, 25 Apr 2025 12:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.915079
• Title: ECG Identity Authentication in Open-set with Multi-model Pretraining and Self-constraint Center & Irrelevant Sample Repulsion Learning
• Title（参考訳）: 複数モデル事前学習と自己拘束センターによるオープンセットにおけるECGアイデンティティ認証
• Authors: Mingyu Dong, Zhidong Zhao, Hao Wang, Yefei Zhang, Yanjun Deng,
• Abstract要約: オープンセット設定でも高い性能を維持する頑健なECG認証システムを提案する。 本手法は,99.83%の認証精度を達成し,False Accept Rateを5.39%まで低く維持する。
• 参考スコア（独自算出の注目度）: 6.106335826823355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) signal exhibits inherent uniqueness, making it a promising biometric modality for identity authentication. As a result, ECG authentication has gained increasing attention in recent years. However, most existing methods focus primarily on improving authentication accuracy within closed-set settings, with limited research addressing the challenges posed by open-set scenarios. In real-world applications, identity authentication systems often encounter a substantial amount of unseen data, leading to potential security vulnerabilities and performance degradation. To address this issue, we propose a robust ECG identity authentication system that maintains high performance even in open-set settings. Firstly, we employ a multi-modal pretraining framework, where ECG signals are paired with textual reports derived from their corresponding fiducial features to enhance the representational capacity of the signal encoder. During fine-tuning, we introduce Self-constraint Center Learning and Irrelevant Sample Repulsion Learning to constrain the feature distribution, ensuring that the encoded representations exhibit clear decision boundaries for classification. Our method achieves 99.83% authentication accuracy and maintains a False Accept Rate as low as 5.39% in the presence of open-set samples. Furthermore, across various open-set ratios, our method demonstrates exceptional stability, maintaining an Open-set Classification Rate above 95%.
• Abstract（参考訳）: 心電図(ECG)信号は固有の特異性を示しており、身元認証には有望な生体認証法である。 その結果,近年,ECG認証が注目されている。 しかし、既存のほとんどの手法は、主にクローズドセット設定における認証精度の改善に焦点を当てており、オープンセットシナリオがもたらす課題に対処する研究は限られている。 現実世界のアプリケーションでは、ID認証システムは大量の未確認データに遭遇し、潜在的なセキュリティ上の脆弱性とパフォーマンスの低下につながる。 この問題に対処するため,オープンセット設定においても高い性能を維持する頑健なECG認証システムを提案する。 まず、マルチモーダル事前学習フレームワークを用いて、ECG信号と対応するフィデューシャル特徴からのテキストレポートをペアリングして、信号エンコーダの表現能力を高める。 微調整中, 自己拘束型センター学習と非関連サンプル反発学習を導入し, 特徴分布を制約し, 符号化された表現が明確な決定境界を示すことを保証する。 本手法は,99.83%の認証精度を達成し,False Accept Rateを5.39%まで低く維持する。 さらに, 様々な開集合比において, 異常な安定性を示し, 95%以上の開集合分類率を維持する。

関連論文リスト

• Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
  エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。 既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。 本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T08:34:35Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  音声感情認識は、初期の負の感情を検知し、事故を減らす。 従来の手法は過度な適合と誤校正の問題に直面している。 本稿では,テストデータに対する統計的に厳密な正当性カバレッジを確保するためのリスク管理フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• TransECG: Leveraging Transformers for Explainable ECG Re-identification Risk Analysis [3.0116875872058584]
  本研究では、性別、年齢、参加者IDなどの再識別タスクに関連する重要なECGセグメントをピンポイントするビジョントランスフォーマー(ViT)ベースの方法であるTransECGを紹介する。 このアプローチでは,87名の参加者を持つ4つの実世界のデータセットに対して,高い精度(性別89.9%,年齢89.9%,IDの再識別88.6%)を示す。
  論文  参考訳（メタデータ） (2025-03-11T07:37:56Z)
• Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition [58.98052764581606]
  我々はhYpergraphs (AMY) 法に基づく新しい不確実性認識ラベルリファレントを開発する。 ローカルトレーニングでは、各ローカルモデルは、バックボーン、不確実性推定(UE)ブロック、および式分類(EC)ブロックで構成される。 次に、ローカルクライアントにおける標本の不確実性重みを推定するために、パーソナライズされた不確実性推定器を導入する。
  論文  参考訳（メタデータ） (2025-01-03T13:59:21Z)
• Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions [0.0]
  分散ファイナンス(DeFi)は、不正アカウントの拡散など、重大なセキュリティリスクを導入している。 従来の検出方法は、ラベル付きデータの不足と悪意あるアクターの進化戦略によって制限される。 本稿では,これらの課題に対処するために,自己学習型Illicitアカウント検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T12:03:13Z)
• Multi-modal biometric authentication: Leveraging shared layer architectures for enhanced security [0.0]
  本稿では, 顔, 声, 署名データを統合し, セキュリティ対策を強化する新しい生体認証システムを提案する。 我々のモデルアーキテクチャは、包括的な特徴抽出のためのモダリティ固有の拡張とともに、二重共有層を組み込んでいる。 提案手法は,認証精度とロバスト性を大幅に向上させ,高度にセキュアなID認証ソリューションを実現する。
  論文  参考訳（メタデータ） (2024-11-04T14:27:10Z)
• Enhancing Person Re-Identification via Uncertainty Feature Fusion and Auto-weighted Measure Combination [1.183049138259841]
  人物再識別(Re-ID)は、監視システムにおいて、異なるカメラビューで同一人物を特定することを含む、困難なタスクである。 本稿では,不確定特徴融合法(UFFM)と自動重み付け器(AMC)によるReIDモデルの能力を向上する新しい手法を提案する。 本手法は,人物の再識別データセットで評価した場合のランク@1精度と平均精度(mAP)を大幅に改善する。
  論文  参考訳（メタデータ） (2024-05-02T09:09:48Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
  グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。 オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-05-19T23:52:48Z)
• Model-Agnostic Few-Shot Open-Set Recognition [36.97433312193586]
  我々はFew-Shot Open-Set Recognition (FSOSR) 問題に取り組む。 既存のモデルにプラグイン可能なモデルに依存しない推論手法の開発に注力する。 オープン・セット・トランスダクティブ・インフォメーション・最大化手法OSTIMを提案する。
  論文  参考訳（メタデータ） (2022-06-18T16:27:59Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。