基于非对比学习的智能物联网设备行为生物特征识别
密码学与安全
2022-10-25 v1 人工智能
机器学习
摘要
行为生物特征正被探索作为克服传统认证方法（如密码和静态生物特征）局限性的可行替代方案。同时，它们也被视为具有 AR/VR 能力的智能头显、可穿戴设备和可听设备等不具备大外形尺寸或无缝与用户交互能力的物联网设备的可行认证方法。近期的行为生物特征解决方案使用需要大量标注训练数据的深度学习模型。收集如此规模的行为生物特征数据引发了隐私和可用性问题。为此，我们提出使用基于 SimSiam 的非对比自监督学习来提高行为生物特征系统的标签效率。其核心思想是利用大量未标注（且匿名化）数据构建良好的特征提取器，随后可用于监督场景。使用两个 EEG 数据集，我们表明在较少标注数据量下，非对比学习比监督学习和数据增强等传统方法高出 4%–11%。我们还表明，一般而言，自监督学习方法优于其他基线。最后，通过细致实验，我们展示了可纳入非对比学习过程以实现高性能的多种修改。
引用
@article{arxiv.2210.12964,
title = {Non-Contrastive Learning-based Behavioural Biometrics for Smart IoT Devices},
author = {Oshan Jayawardana and Fariza Rashid and Suranga Seneviratne},
journal= {arXiv preprint arXiv:2210.12964},
year = {2022}
}
备注
NA