論文の概要: Telling Human and Machine Handwriting Apart

• arxiv url: http://arxiv.org/abs/2601.11700v1
• Date: Fri, 16 Jan 2026 18:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.29052
• Title: Telling Human and Machine Handwriting Apart
• Title（参考訳）: 人間と機械の筆跡を語る
• Authors: Luis A. Leiva, Moises Diaz, Nuwan T. Attygalle, Miguel A. Ferrer, Rejean Plamondon,
• Abstract要約: 手書き動作は、実際のユーザがデバイスやアプリケーションを操作しているかどうかを確認するために、行動バイオメトリクスのユニークな形式として活用することができる。 このタスクは、コンピュータが人間または人工的に入力インスタンスが生成されたかどうかを検知しなければならない逆チューリングテストとしてフレーム化することができる。 浅いリカレントニューラルネットワークをトレーニングして、優れたパフォーマンス(ROC曲線(AUC)スコアで98.3%、すべてのシンセサイザーとデータセットの平均で1.4パーセントのエラー率を実現しています。
• 参考スコア（独自算出の注目度）: 7.418311309442571
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Handwriting movements can be leveraged as a unique form of behavioral biometrics, to verify whether a real user is operating a device or application. This task can be framed as a reverse Turing test in which a computer has to detect if an input instance has been generated by a human or artificially. To tackle this task, we study ten public datasets of handwritten symbols (isolated characters, digits, gestures, pointing traces, and signatures) that are artificially reproduced using seven different synthesizers, including, among others, the Kinematic Theory (Sigma h model), generative adversarial networks, Transformers, and Diffusion models. We train a shallow recurrent neural network that achieves excellent performance (98.3 percent Area Under the ROC Curve (AUC) score and 1.4 percent equal error rate on average across all synthesizers and datasets) using nonfeaturized trajectory data as input. In few-shot settings, we show that our classifier achieves such an excellent performance when trained on just 10 percent of the data, as evaluated on the remaining 90% of the data as a test set. We further challenge our classifier in out-of-domain settings, and observe very competitive results as well. Our work has implications for computerized systems that need to verify human presence, and adds an additional layer of security to keep attackers at bay.
• Abstract（参考訳）: 手書き動作は、実際のユーザがデバイスやアプリケーションを操作しているかどうかを確認するために、行動バイオメトリクスのユニークな形式として活用することができる。 このタスクは、コンピュータが人間または人工的に入力インスタンスが生成されたかどうかを検知しなければならない逆チューリングテストとしてフレーム化することができる。 この課題に対処するために,キネマティック理論(シグマhモデル),生成敵ネットワーク,トランスフォーマー,ディフュージョンモデルを含む7つの異なるシンセサイザーを用いて人工的に再現された手書き記号(孤立文字,数字,ジェスチャー,ポインティングトレース,シグネチャ)10の公開データセットについて検討した。 我々は、未飽和軌跡データを入力として、優れた性能(ROC曲線(AUC)スコアで98.3%、すべてのシンセサイザーとデータセットで平均で1.4%の誤差率)を達成する浅いリカレントニューラルネットワークを訓練する。 少数の設定では、残りの90%のデータをテストセットとして評価することにより、データの10%しかトレーニングしていない場合に、我々の分類器がそのような優れた性能を達成できることが示される。 さらに、ドメイン外の設定で分類器に挑戦し、非常に競争力のある結果も観察します。 私たちの研究は、人間の存在を確かめるために必要なコンピュータシステムに影響を及ぼし、攻撃者を危険にさらすための追加のセキュリティ層を追加します。

関連論文リスト

• Distribution-Level Feature Distancing for Machine Unlearning: Towards a Better Trade-off Between Model Utility and Forgetting [4.220336689294245]
  本稿では,タスク関連特徴相関を保ちつつ,効率的にインスタンスを破棄する新しい手法である分散レベル特徴分散(DLFD)を提案する。 提案手法は, 特徴分布を忘れ試料と明確に異なるように最適化し, 単一の学習エポック内で有効結果を得る。
  論文  参考訳（メタデータ） (2024-09-23T06:51:10Z)
• 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)
• 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)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)
• Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
  実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。 本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。 このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
  論文  参考訳（メタデータ） (2020-10-10T14:04:44Z)

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。