基于双分支体系结构的按键生物特征识别技术：包含注意机制和 Set2set 损失
内容提要
本文介绍了IEEE BigData 2023动态生物特征验证挑战的结果，参与者提出了多种神经网络结构，最佳团队在桌面和移动场景中的全局等错误率分别为3.33%和3.61%，超越了现有水平。研究还探讨了基于Transformer的模型及不同网络架构的效果，优化了训练过程，提升了模型性能，显示出在敲击身份验证领域的巨大潜力。
延伸解读
挑战赛数据规模与性能基准
IEEE BigData 2023 挑战赛使用了超过 185,000 个受试者的数据，以 tweet 长度的可变转录文本为对象，评估键入动态的生物特征验证性能。最佳团队在桌面和移动场景中的全局等错误率分别为 3.33% 和 3.61%，优于现有技术水平。这一基准为后续研究提供了统一的比较平台，并展示了在真实场景中处理大规模用户数据的可行性。
Transformer 与双编码器架构的优势
研究探讨了基于 Transformer 的网络模型，通过自注意机制从敲击序列中提取信息特征，性能超越了传统的循环神经网络。在两种网络架构中，双编码器结合批量全三元组损失和余弦距离取得了最佳效果，等错误率仅为 0.0186%。这表明自注意机制和双编码器设计在敲击身份验证中具有显著优势。
替代算法进一步提升准确性
在双编码器架构的基础上，研究尝试使用一类支持向量机等替代算法计算相似度得分，将等错误率进一步降低至 0.0163%。这种后处理优化表明，即使深度学习模型已表现优异，传统机器学习方法仍可作为补充，提升最终验证精度。这为实际部署中平衡性能与计算成本提供了参考。
预处理与异常检测的影响
另一项基于公共按键数据集的研究表明，通过对齐预处理算法和评分归一化技术，并采用不同的异常检测方法，可以显著提高击键生物识别的检测性能。这说明数据预处理和异常处理在生物特征验证中至关重要，尤其是在处理自由文本输入时，能有效减少噪声和个体差异带来的干扰。
Q&A
IEEE BigData 2023 挑战的主要目标是什么？
该挑战旨在评估键入动态的生物特征验证性能，涵盖超过 185,000 个受试者的数据。
最佳团队在桌面和移动场景中的全局等错误率分别是多少？
最佳团队在桌面和移动场景中的全局等错误率分别为 3.33% 和 3.61%。
研究中使用了哪些网络架构来提高模型性能？
研究中使用了双编码器和交叉编码器的网络架构，双编码器架构表现最佳。
如何通过预处理算法提高击键生物识别的检测性能？
通过对齐预处理算法和异常检测方法，可以显著提高击键生物识别的检测性能。
该研究对自由文本敲击身份验证领域的贡献是什么？
研究表明，模型在自由文本敲击身份验证领域超越了最新技术水平，为安全用户验证系统的发展提供了实际意义。
使用支持向量机等替代算法的效果如何？
使用支持向量机等替代算法计算相似度得分，进一步提高了准确性，等错误率达到 0.0163%。
