增强与否？基于运动传感器的用户识别中的数据增强

如今，移动设备用户常用的认证系统，例如密码检查、人脸识别或指纹扫描，易受各类攻击。为防止部分可能的攻击，这些显式认证系统可通过采用双因子认证方案来增强，其中第二因子是基于分析加速度计或陀螺仪捕获的运动传感器数据的隐式认证系统。为避免给用户带来额外负担，隐式认证系统的注册过程必须快速完成，即从用户收集的数据样本数量通常较少。在设计基于运动信号的隐式用户认证机器学习模型时，数据增强可发挥重要作用。本文研究了若干数据增强技术，以探寻对运动传感器数据有用的增强方法。我们提出了一组关于基于运动传感器信号的少样本用户识别中数据增强的四个研究问题。我们在基准数据集上使用两种深度学习架构——卷积神经网络与长短期记忆（Long Short-Term Memory, LSTM）网络——进行实验，展示了哪些数据增强方法以及何时能带来准确率提升。有趣的是，我们发现数据增强并无太大助益，很可能是因为用于区分用户的信号模式对某些数据增强技术所带来的变换过于敏感。该结果在一定程度上与“数据增强有望提高机器学习模型准确率”的普遍看法相矛盾。