BeCAPTCHA-Type：用于改进机器人检测的生物特征击键数据生成
机器学习
2023-04-12 v3 计算机视觉与模式识别
摘要
本工作提出了一种用于合成击键生物特征数据的数据驱动学习模型。所提方法与基于通用模型和用户相关模型的两种统计方法进行比较。这些方法是利用击键合成数据来改进基于击键的机器人检测系统训练过程，在机器人检测任务上得到验证。我们的实验框架考虑了一个包含来自16.8万名受试者的1.36亿次击键事件的数据集。我们通过定性和定量实验分析了三种合成方法的性能。基于多种监督分类器（支持向量机、随机森林、高斯朴素贝叶斯和长短期记忆网络）以及一个包含人类与合成样本的学习框架，考虑了不同的机器人检测器。实验证明了合成样本的真实感。分类结果表明，在具有大量标注数据的场景中，这些合成样本可被高精度检测。然而，在少样本学习场景中，这代表了一个重要挑战。此外，这些结果显示了所提模型的巨大潜力。
引用
@article{arxiv.2207.13394,
title = {BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection},
author = {Daniel DeAlcala and Aythami Morales and Ruben Tolosana and Alejandro Acien and Julian Fierrez and Santiago Hernandez and Miguel A. Ferrer and Moises Diaz},
journal= {arXiv preprint arXiv:2207.13394},
year = {2023}
}
备注
Paper accepted in IEEE Computer Society Workshop on Biometrics (CVPRw) 2023