論文の概要: Online Handwritten Signature Verification Based on Temporal-Spatial Graph Attention Transformer

• arxiv url: http://arxiv.org/abs/2510.19321v1
• Date: Wed, 22 Oct 2025 07:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.315277
• Title: Online Handwritten Signature Verification Based on Temporal-Spatial Graph Attention Transformer
• Title（参考訳）: 時空間グラフアテンション変換器を用いたオンライン手書き署名検証
• Authors: Hai-jie Yuan, Heng Zhang, Fei Yin,
• Abstract要約: 本稿では,時間空間グラフ注意変換器(TS-GATR)の動的シグネチャ検証手法を提案する。 TS-GATR は Graph Attention Network (GAT) と Gated Recurrent Unit (GRU) を組み合わせて、署名データの空間的および時間的依存関係をモデル化する。 長期の時間的依存関係をキャプチャするために、モデルはGRUを統合し、署名検証中に動的特徴を学習する能力を向上する。
• 参考スコア（独自算出の注目度）: 24.79683227958907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Handwritten signature verification is a crucial aspect of identity authentication, with applications in various domains such as finance and e-commerce. However, achieving high accuracy in signature verification remains challenging due to intra-user variability and the risk of forgery. This paper introduces a novel approach for dynamic signature verification: the Temporal-Spatial Graph Attention Transformer (TS-GATR). TS-GATR combines the Graph Attention Network (GAT) and the Gated Recurrent Unit (GRU) to model both spatial and temporal dependencies in signature data. TS-GATR enhances verification performance by representing signatures as graphs, where each node captures dynamic features (e.g. position, velocity, pressure), and by using attention mechanisms to model their complex relationships. The proposed method further employs a Dual-Graph Attention Transformer (DGATR) module, which utilizes k-step and k-nearest neighbor adjacency graphs to model local and global spatial features, respectively. To capture long-term temporal dependencies, the model integrates GRU, thereby enhancing its ability to learn dynamic features during signature verification. Comprehensive experiments conducted on benchmark datasets such as MSDS and DeepSignDB show that TS-GATR surpasses current state-of-the-art approaches, consistently achieving lower Equal Error Rates (EER) across various scenarios.
• Abstract（参考訳）: 手書き署名検証は、ファイナンスやeコマースなど、さまざまな分野において、アイデンティティ認証の重要な側面である。 しかし, ユーザ内変動と偽造のリスクのため, 署名検証の精度向上は依然として困難である。 本稿では,TS-GATR(Temporal-Spatial Graph Attention Transformer)を用いた動的シグネチャ検証手法を提案する。 TS-GATR は Graph Attention Network (GAT) と Gated Recurrent Unit (GRU) を組み合わせて、署名データの空間的および時間的依存関係をモデル化する。 TS-GATRは、グラフとしてシグネチャを表現し、各ノードが動的特徴(例えば、位置、速度、圧力)を捉え、複雑な関係をモデル化するために注意機構を使用することで、検証性能を向上させる。 提案手法では, k-step と k-nearest の隣接グラフを用いて局所的特徴とグローバルな空間的特徴をモデル化するDGATR (Dual-Graph Attention Transformer) モジュールをさらに活用する。 長期の時間的依存関係をキャプチャするために、モデルはGRUを統合し、署名検証中に動的特徴を学習する能力を向上する。 MSDSやDeepSignDBといったベンチマークデータセットで実施された総合的な実験は、TS-GATRが現在の最先端アプローチを超え、さまざまなシナリオにわたって低いEER(Equal Error Rates)を実現していることを示している。

関連論文リスト

• RAG Meets Temporal Graphs: Time-Sensitive Modeling and Retrieval for Evolving Knowledge [12.898085044538433]
  知識は本質的に時間に敏感であり、時間とともに継続的に進化する。 現在のRetrieval-Augmented Generation (RAG) システムは、この時間的性質をほとんど無視している。 本稿では,2段階の時間グラフとして外部コーパスをモデル化したテンポラルグラフRAG(TG-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-10-15T14:21:08Z)
• STGAtt: A Spatial-Temporal Unified Graph Attention Network for Traffic Flow Forecasting [3.9560660144028126]
  本稿では,新しい深層学習モデルである空間時間統一グラフ注意ネットワーク(STGAtt)を提案する。 統合グラフ表現とアテンション機構を活用することで、STGAttは複雑な空間的時間的依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2025-08-21T17:21:14Z)
• Hierarchical Graph Feature Enhancement with Adaptive Frequency Modulation for Visual Recognition [6.580655899524989]
  畳み込みニューラルネットワーク(CNN)は、視覚認識タスクにおいて強力な性能を示している。 構造認識と特徴表現を両立させるため,CNNにグラフベース推論を統合する新しいフレームワークを提案する。 提案したHGFEモジュールは軽量でエンドツーエンドのトレーニングが可能で、標準のCNNバックボーンネットワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-15T14:19:50Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Towards Adaptive Neighborhood for Advancing Temporal Interaction Graph Modeling [19.831424038609462]
  テンポラルグラフネットワーク(TGN)は、テンポラル相互作用グラフのモデル化において、その顕著な性能を実証している。 本稿では,適応型近傍符号化機構を導入し,既存のTGNの強化を目指す。 既存のTGNとシームレスに統合可能な,フレキシブルなプラグアンドプレイモデルSEANを提案する。
  論文  参考訳（メタデータ） (2024-06-14T07:57:17Z)
• SignGT: Signed Attention-based Graph Transformer for Graph Representation Learning [15.248591535696146]
  本稿では,グラフから様々な周波数情報を適応的に取得するSigned Attention-based Graph Transformer (SignGT)を提案する。 具体的には、SignGTは、ノードペアの意味的関連性に応じて署名された注意値を生成する、署名付き自己注意機構(SignSA)を新たに開発した。
  論文  参考訳（メタデータ） (2023-10-17T06:42:11Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
  本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。 パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-05T10:10:12Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。