BriefGPT - AI 论文速递
·
您的设备可能比您自己更了解您 —— 使用机器学习在新数据集上进行连续认证
💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本研究探讨了神经网络、极端梯度提升和支持向量机等算法在移动触摸动力学中的连续认证可行性。结果表明，触摸动态在增强安全性和减少未经授权使用方面具有潜力，研究实现了高达100%的用户识别准确率，并提出了提高身份认证效率和准确性的新技术。
🎯
关键要点
- 本研究探讨了神经网络、极端梯度提升和支持向量机在移动触摸动力学中的连续认证可行性。
- 研究结果表明，移动触摸动力学在增强安全性和减少未经授权使用方面具有潜力。
- 使用不同算法可以在不同任务中获得不同的性能表现。
- 在验证模式下，所有分类器的准确率达到100%。
- 在认证模式下，决策树、K最近邻和随机森林分类器的准确率分别为87.6%、99.3%和89.9%。
- 通过结合新特征和现有特征，SVM和kNN的分类准确率分别为94.7%和94.6%。
- 提出的新技术DEEPSERVICE基于用户的击键信息进行识别，准确率高达93%以上。
❓
延伸问答
什么是移动触摸动力学的连续认证？
移动触摸动力学的连续认证是利用用户在设备上的触摸行为进行身份验证，以增强安全性和减少未经授权的使用。
研究中使用了哪些机器学习算法？
研究中使用了神经网络、极端梯度提升和支持向量机等算法。
在验证模式下，分类器的准确率是多少？
在验证模式下，所有分类器的准确率达到100%。
DEEPSERVICE技术的准确率是多少？
DEEPSERVICE技术的识别准确率高达93%以上。
不同算法在认证模式下的表现如何？
在认证模式下，决策树、K最近邻和随机森林分类器的准确率分别为87.6%、99.3%和89.9%。
研究中提出的新特征如何影响分类准确率？
通过结合新特征和现有特征，SVM和kNN的分类准确率分别提高到94.7%和94.6%。
➡️
