Establishing a Baseline for Gaze-driven Authentication Performance in VR: A Breadth-First Investigation on a Very Large Dataset

本文致力于建立眼动驱动身份验证性能的基准，以便开始回答关于使用来自 9202 个人的眼动记录数据（信号质量相当于现代消费级虚拟现实平台）的根本性研究问题。所采用数据集的规模至少比以往相关工作中任何数据集大一个数量级。对于我们的模型要实现在虚假接受率（FAR）为 1/5 万时，虚假否决率（FRR）低于 3%，需要对眼睛的光轴和视觉轴进行双眼估计，并确定注册和验证的最短持续时间。就识别准确率而言，该准确率会随画廊规模的增加而下降，我们估计当画廊规模达到 148 万或更多时，模型准确率将低于随机水平。我们的主要发现表明，仅凭基于最先进机器学习架构和足够大的训练数据集驱动的眼动认证可以达到 FIDO 标准所要求的精度。