論文の概要: Transfer Learning of Keystroke Dynamics for Cross-Device User Authentication
- arxiv url: http://arxiv.org/abs/2608.16334v1
- Date: Mon, 17 Aug 2026 09:40:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.623651
- Title: Transfer Learning of Keystroke Dynamics for Cross-Device User Authentication
- Title（参考訳）: クロスデバイスユーザ認証のためのキーストロークダイナミクスの転送学習
- Abstract要約: キーストロークダイナミクスは、不正防止などのアプリケーションを用いて、ユーザ認証のための行動的バイオメトリック・モダリティとして使用することができる。
本稿では,あるデバイスで学習したキーストロークダイナミクスを二次デバイスに適応させる,誘導的転送学習に基づくクロスデバイスユーザ認証システムを提案する。
BBMASデータセットの実験では、提案システムはデバイス間シナリオで14.2%のエラー率を達成し、最先端の手法を超越している。
- 参考スコア（独自算出の注目度）: 10.494451463275576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Keystroke dynamics (typing patterns) can be used as a behavioural biometric modality for user authentication, with applications such as fraud prevention. While the modality has been shown to work well for single device authentication, its application to cross-device scenarios is more challenging. Dynamics learned on one device (eg., phone) may not be directly applicable to authentication on a secondary device with a different form factor (eg., tablet) due to changes in typing patterns that can lead to distribution drifts. To address this, we propose a cross-device user authentication system based on inductive transfer learning, where keystroke dynamics learned on one device are adapted to a secondary device. The adapted data is then combined with necessarily limited training data for the secondary device, which is used to robustly train a binary classifier. Furthermore, an extended set of keystroke features is used to better capture discriminative dynamics. Experiments on the BBMAS dataset show that proposed system achieves an equal error rate of 14.2% for the cross-device scenario, surpassing state-of-the-art methods.
- Abstract（参考訳）: キーストロークダイナミクス(タイピングパターン)は、不正防止などのアプリケーションを用いて、ユーザ認証の振る舞いのバイオメトリック・モダリティとして使用することができる。
このモダリティは単一デバイス認証には有効であることが示されているが、クロスデバイスシナリオへの応用はより難しい。
あるデバイス(例えば携帯電話)で学んだダイナミクスは、分散ドリフトにつながる可能性のあるタイピングパターンの変化のために、異なるフォームファクタ(例えばタブレット)を持つセカンダリデバイス上の認証に直接適用できない可能性がある。
そこで本研究では,あるデバイスで学習したキーストロークダイナミクスを二次デバイスに適応させる,誘導的転送学習に基づくクロスデバイスユーザ認証システムを提案する。
適応されたデータは、必然的に制限されたセカンダリデバイスのためのトレーニングデータと結合され、バイナリ分類器を堅牢にトレーニングするために使用される。
さらに、キーストローク機能の拡張セットは、識別力学をよりよく捉えるために使用される。
BBMASデータセットの実験では、提案システムはデバイス間シナリオで14.2%のエラー率を達成し、最先端の手法を超越している。
関連論文リスト
- QUACK! Making the (Rubber) Ducky Talk: A Systematic Study of Keystroke Dynamics for HID Injection Detection [60.105690843777666]
我々は、タイミング機能のみで動作する軽量モデルを使用して、堅牢でプライバシー保護の検知が達成可能であることを示す。
分析の結果,攻撃者の高度化は単調に回避を改善できないことが明らかとなった。
論文 参考訳（メタデータ） (2026-04-17T08:53:24Z) - An Agent-Based Modeling Approach to Free-Text Keyboard Dynamics for Continuous Authentication [0.0]
フリーテキストキーボードのダイナミクスを活用する継続的認証システムは、多要素認証設定において有望なセキュリティ層を提供する。
本研究では, エージェントベースモデル(ABM)を用いて, メカニカルキーボードおよび膜キーボード間の多様なタイピングプロファイルをシミュレートし, 行動バイオメトリックスの有効性について検討した。
論文 参考訳（メタデータ） (2025-05-08T07:42:05Z) - Contrastive Learning-based User Identification with Limited Data on Smart Textiles [0.7224497621488286]
圧力に敏感なスマートテキスタイルは、医療、スポーツ監視、インテリジェントホームの分野で広く応用されている。
コントラスト学習に基づく新しいユーザ識別手法を提案する。
我々の平均認識精度は79.05%に達し、最高のベースラインモデルよりも2.62%向上した。
論文 参考訳（メタデータ） (2024-09-06T13:29:42Z) - Learning Visuotactile Skills with Two Multifingered Hands [80.99370364907278]
マルチフィンガーハンドとバイソタクティブルデータを用いたバイマニアルシステムを用いて,人間の実演からの学習を探索する。
以上の結果から,バイスオタクティブルデータからの両指多指操作における有望な進歩が示唆された。
論文 参考訳（メタデータ） (2024-04-25T17:59:41Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - TypeFormer: Transformers for Mobile Keystroke Biometrics [11.562974686156196]
本稿では,ユーザ認証のためにモバイルデバイス上で実行される自由テキストキーストロークダイナミクスをモデル化するトランスフォーマーアーキテクチャを提案する。
TypeFormerは、50キーストロークの5つのエンローメントセッションのみを使用して、EER(Equal Error Rate)の値が3.25%に達する現在の最先端システムよりもパフォーマンスがよい。
論文 参考訳（メタデータ） (2022-12-26T10:25:06Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Learning-Based UE Classification in Millimeter-Wave Cellular Systems
With Mobility [67.81523988596841]
ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。
効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。
これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
論文 参考訳（メタデータ） (2021-09-13T12:00:45Z) - GAN pretraining for deep convolutional autoencoders applied to
Software-based Fingerprint Presentation Attack Detection [0.0]
本研究は,ソフトウェアを用いた指紋提示アタッチメント検出のための単一クラス分類に対する新しいアプローチを提案する。
この手法は、ワッサーシュタインGANを用いて、深い畳み込みオートエンコーダに転写学習を適用する。
論文 参考訳（メタデータ） (2021-05-21T09:08:34Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z) - To augment or not to augment? Data augmentation in user identification
based on motion sensors [24.182791316595576]
本稿では,モーションセンサデータに有用な拡張手法を見つけるために,いくつかのデータ拡張手法について検討する。
ユーザを識別するのに有用な信号パターンは、特定のデータ拡張技術によってもたらされる変換にあまりにも敏感だからです。
論文 参考訳（メタデータ） (2020-09-01T09:11:12Z)
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。