論文の概要: Template Ageing and Longitudinal Verification in Fixed-Text Keystroke Dynamics: A Subject-Disjoint Study Across Eight Weeks

• arxiv url: http://arxiv.org/abs/2609.29851v1
• Date: Thu, 24 Sep 2026 14:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.989591
• Title: Template Ageing and Longitudinal Verification in Fixed-Text Keystroke Dynamics: A Subject-Disjoint Study Across Eight Weeks
• Title（参考訳）: 固定テキストキーストロークダイナミクスにおけるテンプレートエイジングと縦断的検証 : 8週間にわたる主観的な研究
• Abstract要約: 毎週4回ずつ、40の固定パスワードの時系列データセットを8週間連続で収集する。 本稿では,スケールド・マンハッタン・マーカ(M1),勾配ブースト型分類器(M2),タイプネット型再帰型埋め込みモデル(M3),タイプホルマー型変換器(M4)を5倍の主観的分離プロトコルで比較する。
• 参考スコア（独自算出の注目度）: 4.799530547125766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Behavioural biometric templates are widely believed to degrade as the gap between enrolment and verification grows, but few studies measure this template ageing effect directly under controlled conditions. We collected a longitudinal dataset of 40 fixed passwords, each typed four times per weekly session over eight consecutive weeks. We compare a scaled-Manhattan matcher (M1), a gradient-boosted classifier (M2), a TypeNet-style recurrent embedding model (M3), and a TypeFormer-style Transformer (M4) under a 5-fold subject-disjoint protocol and a design that jointly varies mechanism and the enrolment-to-query gap, from 0 to 7 weeks. Template ageing proves large and systematic. Error increases monotonically with the gap for every mechanism, from an EER of 14.6-27.2% at a gap of zero to 25.5-37.1% at seven weeks, or 1.7% of decision error per week elapsed (p < 0.001). However, the choice of mechanism matters more than its rate of ageing. Baseline accuracy spans 12.6 percentage points across the four mechanisms, the degradation each accumulates over seven weeks spans only 2.3 points, and ageing never reorders them. A matcher can therefore be chosen on same-session accuracy, with ageing managed by re-enrolment scheduling rather than by matcher selection. The two properties are nonetheless distinct, as M3 is the least accurate mechanism yet ages significantly more slowly than M1 under every specification tested. Training randomness also matters differently by architecture, with 58% of the recurrent model's fold-to-fold variance attributable to seed noise against 19% for the Transformer. Because the smaller ageing-rate differences are sensitive to modelling choices, while the accuracy differences and the ageing effect are not, we recommend that comparative ageing-rate claims be supported by seed-level score fusion, independent replication, and an alternative outcome-model specification.
• Abstract（参考訳）: 環境バイオメトリックテンプレートは、エンローメントと検証の間のギャップが大きくなるにつれて劣化すると考えられているが、制御条件下で直接このテンプレートの老化効果を測定する研究はほとんどない。 我々は、40の固定パスワードの時系列データセットを収集し、8週間連続で毎週4回タイプした。 提案手法は,スケールド・マンハッタン整合器 (M1) ,勾配ブースト型分類器 (M2) ,タイプネット型再帰型埋め込みモデル (M3) ,タイプフォーマー型変換器 (M4) を5倍の主観解離プロトコルで比較し,機構とエントロメントとクエリのギャップを0～7週間に分けた設計である。 テンプレートの老化は、大きくて体系的であることを証明します。 誤差は、すべてのメカニズムのギャップで単調に増加し、EERの14.6-27.2%は、7週間で25.5-37.1%、週に1.7%が経過する(p < 0.001)。 しかし、メカニズムの選択は年齢よりも重要である。 ベースラインの精度は4つのメカニズムで12.6ポイント、分解は7週間以上で2.3ポイントにしか達せず、老化はそれらを再注文しない。 したがって、マーカの選択は、マーカの選択よりも再配置スケジューリングによって管理され、同一セッションの精度で選択することができる。 M3は最も正確なメカニズムであり、テストされた全ての仕様ではM1よりもかなり遅い。 リカレントモデルのフォールド・ツー・フォールド分散の58%がトランスフォーマーの19%に対してシードノイズに起因する。 年齢差が小さいのはモデル選択に敏感であるのに対して,精度の違いや年齢効果はそうではないため,シードレベルのスコア融合,独立レプリケーション,代替の結果モデル仕様によって,比較年齢差が支持されることを推奨する。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• ESPO: Error-Structured Prompt Optimization via Diagnose, Diversify, and Stabilize [21.715943293929296]
  ESPOは、迅速な最適化を3つのフェーズに分解する: クラスターを1ラウンドで全てのトレーニングエラーを診断する; Proposeは、独立バイアスを持つ4つの補完戦略を介して候補を生成する; Selectはブートストラップの安定性を適用する。 7つのパブリックNLPベンチマークでは、ESPOは最先端技術(GEPAでは74.67%対70.91%)よりも平均精度を$3.76 ppで改善している。
  論文  参考訳（メタデータ） (2026-09-03T17:59:37Z)
• Quantization Effects on Biomedical LLM Reliability [7.3368947626054215]
  PubMed文分類に基づく3つのMistral-7B変種(Base, BioMistral, Instruct)の制御評価を行った。 我々の主要な発見は、確率抽出プロトコルが明らかに校正を支配していることである。 プロンプトテンプレートの選択は、モデルレベルの効果に匹敵する7～24ポイントの精度差を生み出す。
  論文  参考訳（メタデータ） (2026-08-04T15:57:21Z)
• Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
  Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。 本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
  論文  参考訳（メタデータ） (2026-06-01T04:43:36Z)
• FormInv: A Measurement Protocol for Semantic Invariance in Mathematical Reasoning Benchmarks [0.0]
  MathCheckのパラフレーズ品質検査では, 19群で4つの意味的不正確なパラフレーズが検出された。 GPT-4oは2位から4位へと降格し、クロード・ハイクとディープ・シークV3が上昇する。
  論文  参考訳（メタデータ） (2026-05-27T18:59:18Z)
• Quantization Undoes Alignment: Bias Emergence in Compressed LLMs Across Models and Precision Levels [0.0]
  大規模言語モデルは、クラウドおよびエッジデプロイメントの推論コストとメモリフットプリントを低減するために、トレーニング後の量子化を通じて定期的に圧縮される。 既存の研究は通常、2つの条件のみを比較し、集約バイアスメトリクスに依存し、単一のモデルファミリを評価する。 12,148 BBQ バイアスベンチマーク項目の5つの精度レベル (BF16 - 3-bit) における3つの命令調整モデルの制御実験を行った。
  論文  参考訳（メタデータ） (2026-05-02T05:41:47Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
  モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。 MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。 我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
  論文  参考訳（メタデータ） (2025-04-06T08:49:52Z)
• Confidence-Based Model Selection: When to Take Shortcuts for Subpopulation Shifts [119.22672589020394]
  モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。 我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
  論文  参考訳（メタデータ） (2023-06-19T18:48:15Z)

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。