基于一类分类器及其融合的持续认证
计算机视觉与模式识别
2017-10-31 v1
摘要
在开发持续认证系统（CAS）时，我们通常假设来自真实用户和冒名者类的样本都易于获取。然而，该假设在某些情况下可能不成立。因此，我们探索仅使用真实样本实现 CAS 的可能性。具体而言，我们研究了四类一类分类器 OCC（椭圆包络、孤立森林、局部离群因子和一类支持向量机）及其融合的效用。这些分类器的性能在四个不同的行为生物特征数据集上进行了评估，并与八类多类分类器（MCC）进行比较。结果表明，若我们有来自真实用户的充足训练数据，OCC 及其融合可紧密匹配大多数 MCC 的性能。我们的发现鼓励研究界使用 OCC 来构建 CAS，因为它们在注册过程中不需要冒名者类的知识。
引用
@article{arxiv.1710.11075,
title = {Continuous Authentication Using One-class Classifiers and their Fusion},
author = {Rajesh Kumar and Partha Pratim Kundu and Vir V. Phoha},
journal= {arXiv preprint arXiv:1710.11075},
year = {2017}
}
备注
2018 IEEE 4th International Conference on Identity, Security, and Behavior Analysis (ISBA) 978-1-5386-2248-3/18/$31.00 (c) 2018 IEEE