任意运动序列上用户识别的数据表示与机器学习架构比较
机器学习
2023-10-27 v2 人机交互
摘要
可靠且鲁棒的用户识别与认证对许多数字服务而言重要且常为必要需求。在社交虚拟现实（VR）中，为确保信任尤为关键，特别是在与作为真实人物忠实复现的逼真虚拟化身进行数字接触时。近期研究表明，用户在扩展现实（XR）系统中的运动携带用户特定信息，因而可用于验证其身份。本文比较了来自头部与手部的三种不同运动数据编码方式（场景相对、身体相对和身体相对速度），以及五种不同机器学习架构（随机森林、多层感知机、全循环神经网络、长短期记忆、门控循环单元）的性能。我们使用公开数据集“Talking with Hands”并发布全部代码以保证可复现性，并为未来工作提供基线。经超参数优化后，长短期记忆架构与身体相对数据的组合优于其他竞争组合：该模型在 150 秒内以 100% 准确率正确识别 34 名受试者中的任意一人。总之，我们的方法为基于行为特征的识别与认证提供了有效基础，以指导研究者和从业者。数据与代码发布于 https://go.uniwue.de/58w1r。
引用
@article{arxiv.2210.00527,
title = {Comparison of Data Representations and Machine Learning Architectures for User Identification on Arbitrary Motion Sequences},
author = {Christian Schell and Andreas Hotho and Marc Erich Latoschik},
journal= {arXiv preprint arXiv:2210.00527},
year = {2023}
}
备注
in press at IEEE VRAI 2022