論文の概要: Handwritten Digit Leakage from Smartphone Motion Sensors Across Unseen Users and Phone Models

• arxiv url: http://arxiv.org/abs/2609.32117v1
• Date: Sat, 26 Sep 2026 00:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:05:54.675383
• Title: Handwritten Digit Leakage from Smartphone Motion Sensors Across Unseen Users and Phone Models
• Title（参考訳）: スマートフォンのモーションセンサーから手書きのDigital Leakage
• Abstract要約: ユーザやデバイス間で手書きの数字が予測可能であるかどうかを調査する。 ハンドクラフト機能と,従来の機械学習アルゴリズム,MiniRocketカーネル,センサパッチ変換器を比較した。 低運動記録は情報的であり、運動レベルでは精度は単調ではなく、テストされた対照的な事前訓練、拡張、および導出信号は一貫した利得を与えない。
• 参考スコア（独自算出の注目度）: 13.814006861021939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smartphone motion sensors support interactive applications, but their readings may also reveal touchscreen input beyond their intended use. Assuming known drawing intervals, we study whether handwritten digits remain predictable across users and devices, as a 10-class problem on 19,628 HuMIdb recordings from 481 participants. We compare handcrafted features with classical machine learning algorithms, MiniRocket kernels, and a compact sensor patch transformer on accelerometer, linear acceleration, gyroscope, and gravity signals. The transformer achieves 57.74\% accuracy and 82.64\% top-3 accuracy on 75 unseen participants, and 58.77$\pm$0.95\% over 3 seeds for unseen participants on 9 unseen phone models. Low motion recordings remain informative, accuracy is not monotonic in motion level, and the tested contrastive pretraining, augmentation, and derived signals give no consistent gains. Digits are thus predictable beyond familiar users and phone models under assumed segmentation, while acquisition-order shortcuts limit conclusions about practical privacy exposure. Code available at: https://github.com/Arritmic/motion-digit-leakage.
• Abstract（参考訳）: スマートフォンのモーションセンサーは、対話的なアプリケーションをサポートするが、その読み取りは、意図した使用以上のタッチスクリーン入力を示すこともある。 描画間隔を推定し,481人のHuMIdb19,628のHuMIdb記録における10クラス問題として,手書き桁がユーザやデバイス間で予測可能であるかを検討した。 我々は,従来の機械学習アルゴリズム,MiniRocketカーネル,加速度センサ,線形加速度,ジャイロスコープ,重力信号のコンパクトなセンサパッチ変換器と比較した。 変圧器は75人の未確認参加者に対して57.74\%の精度と82.64\%のトップ3の精度を達成し、9人の未確認参加者に対して58.77$\pm$0.95\%以上の3つのシードを出力する。 低運動記録は情報的であり、運動レベルでは精度は単調ではなく、テストされた対照的な事前訓練、拡張、および導出信号は一貫した利得を与えない。 したがって、ディジットは、想定されたセグメンテーションの下にある馴染みのあるユーザーや電話モデルを超えて予測可能であり、一方、買収注文のショートカットは、実用的なプライバシ露出に関する結論を制限する。 コードは、https://github.com/Arritmic/motion-digit-leakage.comで公開されている。

関連論文リスト

• Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
  指の構造、接触面、センサーレイアウトが異なる。 本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
  論文  参考訳（メタデータ） (2026-09-14T15:22:59Z)
• OPENTOUCH: Bringing Full-Hand Touch to Real-World Interaction [93.88239833545623]
  OpenTouchは、最初のインザワイルドなエゴセントリックなフルハンド触覚データセットです。 触覚信号は,理解のためのコンパクトで強力なキューを提供する。 我々は,マルチモーダルな自我中心の知覚,具体的学習,接触に富むロボット操作の促進を目指す。
  論文  参考訳（メタデータ） (2025-12-18T18:18:17Z)
• Digitizing Touch with an Artificial Multimodal Fingertip [51.7029315337739]
  人間とロボットはどちらも、周囲の環境を知覚し、相互作用するためにタッチを使うことの恩恵を受ける。 ここでは、タッチのデジタル化を改善するための概念的および技術革新について述べる。 これらの進歩は、高度なセンシング機能を備えた人工指型センサーに具現化されている。
  論文  参考訳（メタデータ） (2024-11-04T18:38:50Z)
• Capturing complex hand movements and object interactions using machine learning-powered stretchable smart textile gloves [9.838013581109681]
  手の動きをリアルタイムに追跡することは、人間とコンピュータの相互作用、メタバース、ロボット工学、遠隔医療に多くの応用がある。 そこで本研究では, 伸縮性, 洗浄性を有するスマートグローブ, ヘリカルセンサ糸, 慣性測定ユニットを用いた手指運動の高精度かつダイナミックな追跡を報告する。 センサ糸は高いダイナミックレンジを有し, 0.005 %の低い155 %のひずみに応答し, 広範囲の使用および洗浄サイクルの安定性を示す。
  論文  参考訳（メタデータ） (2024-10-03T05:32:16Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• 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)
• Your Identity is Your Behavior -- Continuous User Authentication based on Machine Learning and Touch Dynamics [0.0]
  本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。 参加者は4つのモバイルゲーム、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。 研究の結果,3つのアルゴリズムがそれぞれ,個々のタッチダイナミクスに基づいてユーザを効果的に分類できることが判明した。
  論文  参考訳（メタデータ） (2023-04-24T13:45:25Z)
• Hand gesture recognition using 802.11ad mmWave sensor in the mobile device [2.5476515662939563]
  スマートフォンにおける802.11ad 60GHz (mmWave) 技術を用いたAI支援手振り認識の実現可能性について検討する。 我々は、時間分割デュプレックス(TDD)によってレーダーセンシングと通信波形が共存できるプロトタイプシステムを構築した。 センシングデータを収集し、100ミリ秒以内にジェスチャーを予測する。
  論文  参考訳（メタデータ） (2022-11-14T03:36:17Z)
• 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)
• A Framework for Behavioral Biometric Authentication using Deep Metric Learning on Mobile Devices [17.905483523678964]
  バッテリー駆動のモバイルデバイス上でのトレーニングを取り入れた新しいフレームワークを提案する。これにより、プライベートデータはデバイスを離れることなく、実行時の動作パターンに柔軟に適応するようにトレーニングをスケジュールすることができる。 実験では、3つの公開データセットで95%以上の認証精度が示され、データが少ないマルチクラスの分類では15%の精度が向上し、それぞれ99%と90%が成功したブルートフォース攻撃とサイドチャネル攻撃に対する堅牢性が向上した。 その結果,トレーニングはビデオ視聴よりも低エネルギーを消費し,ゲームよりも若干高いエネルギーを消費していることがわかった。
  論文  参考訳（メタデータ） (2020-05-26T17:56:20Z)
• Digit Recognition From Wrist Movements and Security Concerns with Smart Wrist Wearable IOT Devices [0.0]
  加速度計とジャイロスコープは、ユーザが書いた数字を特定するのに十分なユニークな手首の動き情報を拾うことができることを示す。 以上の結果から,手首のウェアラブル端末から,社会保障やクレジットカード,医療記録などの機密情報を得ることができる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-22T23:37:38Z)

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。