論文の概要: Optimizing Mouse Dynamics for User Authentication by Machine Learning: Addressing Data Sufficiency, Accuracy-Practicality Trade-off, and Model Performance Challenges

• arxiv url: http://arxiv.org/abs/2504.21415v1
• Date: Wed, 30 Apr 2025 08:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:51:03.100129
• Title: Optimizing Mouse Dynamics for User Authentication by Machine Learning: Addressing Data Sufficiency, Accuracy-Practicality Trade-off, and Model Performance Challenges
• Title（参考訳）: 機械学習によるユーザ認証のためのマウスダイナミクスの最適化:データの有効性、正確性-実践的トレードオフ、モデル性能の課題
• Authors: Yi Wang, Chengyv Wu, Yang Liao, Maowei You,
• Abstract要約: 本稿では,ApEn(Adroximate Entropy)を利用してセグメント長を最適化し,効率よく表現できるマウス認証ユニット(MAU)を提案する。 本研究では,局所時間マウス認証(LT-AMouse)フレームワークを設計し,局所特徴抽出のための1D-ResNetと長期時間依存性のモデリングのためのGRUを統合した。 我々のモデルは、DFLデータセットに対する盲点攻撃でAUC 98.52%、バラビットデータセットで94.65%を達成し、現在のソタのパフォーマンスを上回った。
• 参考スコア（独自算出の注目度）: 2.7490456004463177
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: User authentication is essential to ensure secure access to computer systems, yet traditional methods face limitations in usability, cost, and security. Mouse dynamics authentication, based on the analysis of users' natural interaction behaviors with mouse devices, offers a cost-effective, non-intrusive, and adaptable solution. However, challenges remain in determining the optimal data volume, balancing accuracy and practicality, and effectively capturing temporal behavioral patterns. In this study, we propose a statistical method using Gaussian kernel density estimate (KDE) and Kullback-Leibler (KL) divergence to estimate the sufficient data volume for training authentication models. We introduce the Mouse Authentication Unit (MAU), leveraging Approximate Entropy (ApEn) to optimize segment length for efficient and accurate behavioral representation. Furthermore, we design the Local-Time Mouse Authentication (LT-AMouse) framework, integrating 1D-ResNet for local feature extraction and GRU for modeling long-term temporal dependencies. Taking the Balabit and DFL datasets as examples, we significantly reduced the data scale, particularly by a factor of 10 for the DFL dataset, greatly alleviating the training burden. Additionally, we determined the optimal input recognition unit length for the user authentication system on different datasets based on the slope of Approximate Entropy. Training with imbalanced samples, our model achieved a successful defense AUC 98.52% for blind attack on the DFL dataset and 94.65% on the Balabit dataset, surpassing the current sota performance.
• Abstract（参考訳）: ユーザ認証は、コンピュータシステムへのセキュアなアクセスを保証するために不可欠であるが、従来の手法では、ユーザビリティ、コスト、セキュリティの制限に直面している。 マウスダイナミックス認証は、ユーザとマウスデバイスとの自然なインタラクション動作の分析に基づいて、コスト効率が高く、非侵襲的で適応可能なソリューションを提供する。 しかし、最適なデータボリュームを決定すること、正確性と実用性のバランスをとること、時間的行動パターンを効果的に捉えることが課題である。 本研究では,ガウス核密度推定(KDE)とクルバック・リーブラー(KL)の偏差を用いた統計的手法を提案し,認証モデルの訓練に十分なデータ量を推定する。 そこで我々は,ApEn(Adroximate Entropy)を利用したマウス認証ユニット(MAU)を導入し,セグメント長を最適化し,効率的な行動表現を実現する。 さらに,局所時間マウス認証(LT-AMouse)フレームワークを設計し,局所特徴抽出のための1D-ResNetと長期時間依存性のモデリングのためのGRUを統合した。 BalabitデータセットとDFLデータセットを例にとると、特にDFLデータセットの10分の1でデータスケールを大幅に削減し、トレーニングの負担を大幅に軽減しました。 さらに,近似エントロピーの傾きに基づいて,異なるデータセット上でのユーザ認証システムに対する最適入力単位長を決定した。 不均衡サンプルを用いたトレーニングでは、DFLデータセットに対する盲検攻撃でAUC 98.52%、バラビットデータセットでの94.65%を達成し、現在のソタ性能を上回った。

関連論文リスト

• FIESTA: Fisher Information-based Efficient Selective Test-time Adaptation [2.876586838098149]
  本稿では,最も重要なモデルパラメータのみを動的に識別・更新するフィッシャー駆動選択的適応フレームワークを提案する。 AffWild2ベンチマークの実験は、我々のアプローチが既存のTTAメソッドを大幅に上回っていることを示している。 提案手法は認識精度を向上するだけでなく、計算オーバーヘッドを大幅に削減し、実世界の感情コンピューティングアプリケーションにおいてテスト時間適応をより実用的なものにする。
  論文  参考訳（メタデータ） (2025-03-29T23:56:32Z)
• Optimal Transport-Guided Source-Free Adaptation for Face Anti-Spoofing [58.56017169759816]
  本稿では,テスト時に顔のアンチスプーフィングモデルをクライアント自身でターゲットドメインに適応させる新しい手法を提案する。 具体的には,プロトタイプベースモデルと最適トランスポート誘導型アダプタを開発した。 近年の手法と比較して、クロスドメインおよびクロスアタック設定では、HTERが19.17%、AUCが8.58%の平均相対的改善が達成されている。
  論文  参考訳（メタデータ） (2025-03-29T06:10:34Z)
• LAPD: Langevin-Assisted Bayesian Active Learning for Physical Discovery [5.373182035720355]
  Langevin-Assisted Active Physical Discovery (LAPD) は、モンテカルロのレプリカ交換勾配を統合したフレームワークである。 LAPDはノイズデータを用いた信頼性,不確実性を考慮した識別を実現する。 Lotka-Volterra, Lorenz, Burgers, Convection-Diffusion equationsなどの非線形系のLAPDを評価する。
  論文  参考訳（メタデータ） (2025-03-04T20:17:24Z)
• Value-Based Deep RL Scales Predictably [100.21834069400023]
  本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。 SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:47Z)
• Learnable Sparse Customization in Heterogeneous Edge Computing [27.201987866208484]
  異種フェデレート学習(FedLPS)のための学習可能なパーソナライズ・スパシフィケーションを提案する。 FedLPSは、局所データ表現におけるモデルユニットの重要性を学び、パーソナライズされたデータ特徴を正確に抽出するために、最小限の重要度に基づくスパースパターンを導出する。 実験により、FedLPSは精度とトレーニングコストにおいてステータスクオアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-10T06:14:31Z)
• A Scalable Approach to Covariate and Concept Drift Management via Adaptive Data Segmentation [0.562479170374811]
  多くの現実世界のアプリケーションでは、継続的機械学習(ML)システムは不可欠だが、データドリフトが困難である。 伝統的なドリフト適応法は典型的にはアンサンブル技術を用いてモデルを更新し、しばしばドリフトされた歴史データを破棄する。 ドリフトしたデータをモデルトレーニングプロセスに明示的に組み込むことは、モデルの精度と堅牢性を大幅に向上させる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-11-23T17:35:23Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data [34.49090830845118]
  フェデレートラーニング(FL)は、複数のクライアントがネットワークエッジでプライベートデータ上で機械学習モデルを協調的にトレーニングできるようにするためのものだ。 クラスタリング正規化を取り入れて,ラベルなしおよび非IIDクライアントデータでSFLを実行する,Semi-supervised SFLシステムを提案する。 本システムは,訓練時間の3.8倍の高速化を実現し,目標精度を達成しつつ通信コストを約70.3%削減し,非IIDシナリオで最大5.8%の精度向上を実現する。
  論文  参考訳（メタデータ） (2023-07-29T02:35:37Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。