触控分析：机器学习分类算法在触控数据上的实证评估
机器学习
2023-11-27 v1 神经与进化计算
摘要
我们的研究旨在基于用户在触屏智能手机上独有的交互行为对个体进行分类。本研究使用 Touch-Analytics 数据集，其包含 41 名受试者与 30 种不同的行为特征。此外，我们从原始数据中推导出新特征以提升整体认证性能。已有研究使用包括支持向量机（SVM）与 k 近邻（kNN）在内的先进分类器对 Touch-Analytics 数据集进行了分析，并取得了 0% 至 4% 的等错误率（EER）。在此，我们提出一种新颖的深度神经网络（DNN）架构以正确分类个体。所提 DNN 架构具有三个全连接层并采用多对多映射技术。当我们将新特征与已有特征结合时，SVM 与 kNN 分别取得了 94.7% 与 94.6% 的分类准确率。本研究探索了其他七种分类器，其中决策树与我们提出的 DNN 分类器取得了最高的 100% 准确率。其余包括：逻辑回归（LR）、线性判别分析（LDA）、高斯朴素贝叶斯（NB）、神经网络以及 VGGNet，其准确率分别为 94.7%、95.9%、31.9%、88.8% 与 96.1%。
引用
@article{arxiv.2311.14195,
title = {Touch Analysis: An Empirical Evaluation of Machine Learning Classification Algorithms on Touch Data},
author = {Melodee Montgomery and Prosenjit Chatterjee and John Jenkins and Kaushik Roy},
journal= {arXiv preprint arXiv:2311.14195},
year = {2023}
}