May, 2022

IFTT-PIN: 利用自校准范式的 PIN 输入方法

PDF
TL;DR本文介绍了一种名为 IFTT-PIN 的自校准 PIN 输入方法，它可以自行确定用户选择的按钮 - 颜色映射关系以及用户的密码，从而提高用户的安全性和互动性，并在其它应用领域也可能带来新的交互机会。同时，该方法被提出作为一种新型的应对肩窥攻击的方法。
iftt-pinself-calibratingpin-entry methodbrain-computer interfaceshoulder surfing attacks
发现论文，激发创造
  • IFTT-PIN: 在 PIN 输入任务中展示自校准范例

    介绍了 IFTT-PIN，这是一种自校准的 PIN 码输入方法，可以同时推断出用户的 PIN 码和偏好按钮与颜色的映射关系，消除了预先分配颜色的需求。

    Apr, 2022

  • IFTT-PIN：一种自校准 PIN 输入方法

    介绍了一种名为 IFTT-PIN 的自校准 PIN 码输入方法，通过自校准的方式，用户可以自由选择按钮含义，从而提高用户界面的安全性和可用性。实验证明，IFTT-PIN 可显著减少针对 PIN 码的攻击解码率。

    Jul, 2024

  • 特征强化匹配型神经网络（FE-PINN）：在目标任务之前学习底层物理特征的框架

    利用 FE-PINN 框架，可以用低计算成本学习任何问题的潜在模式，并解决传统 PINN 框架中的不平衡损失函数的挑战，从而实现快速、准确地解决各领域的偏微分方程问题。

    Aug, 2023

  • AdaI-PINNs：一种用于界面问题的高效物理信息神经网络框架

    提出了一种高效的物理导向神经网络（PINNs）框架，称为自适应界面 - PINNs（AdaI-PINNs），用于改进具有不连续系数和 / 或界面跳跃的界面问题的建模。

    Jun, 2024

  • AutoPINN: 当自动机器学习遇上基于物理建模的神经网络

    本文介绍了基于物理知识的神经网络（Physics-Informed Neural Networks）可以用于预测无法通过物理工具观测到的关键参数，并提出了一种称为 AutoPINN 的框架，以自动化设计基于物理知识的神经网络模型，该模型结合了自动机器学习技术和针对特定资源限制的搜索策略，可以提高模型准确度，减少设计时间。

    Dec, 2022

  • SimPINNs：基于模拟驱动的物理信息神经网络提升非线性逆问题性能

    应用深度学习技术解决逆问题的一种新方法，通过利用已知物理模型生成的模拟数据和观测数据相结合的混合损失函数对物理系统中未知参数进行推断，实验证明该方法在轨道修复问题上优于标准的物理信息神经网络（PINN），提供了更高的准确性和鲁棒性。

    Sep, 2023

  • 基于多模态生物识别的可穿戴设备用户隐式认证

    本文提出了一种基于行为、生理和混合粗粒度分钟级生物识别数据的隐式可穿戴设备用户认证机制，并在超过 400 名 Fitbit 用户的健康研究中进行了分析。经我们分析，使用该机制，用户的平均准确率可达 93％，具有相等的错误率为 0.05。同时，混合生物识别比其他生物识别数据表现更好，而行为生物识别在非久坐阶段也没有显着影响。

    Jul, 2019

  • 共形化物理信息神经网络

    利用符合预测框架的一致预测神经网络（C-PINNs），量化 PINNs 的不确定性，通过提供具有有限样本、无分布统计有效性的区间，解决常规 PINNs 不提供不确定性量化的问题。

    May, 2024

  • 基于物理信息神经网络的非线性离散时间观测器

    利用物理信息神经网络（PINN）解决离散时间的非线性观测者状态估计问题，通过解决一个非齐次泛函方程组来学习非线性状态转换映射。通过两个说明性案例研究评估了所提出的 PINN 方法的性能，并与传统的基于幂级数数值实现方法进行了不确定性量化分析。

    Feb, 2024

  • 基于物理知识的神经网络在高频和多尺度问题上的应用及迁移学习

    提供了使用转移学习来增强 PINN 的鲁棒性和收敛性的训练方法，通过两个案例研究发现转移学习可以有效训练 PINN 在低频问题到高频问题的近似解，同时减少了网络参数，所需数据点和训练时间。同时提供了优化器选择和使用转移学习解决更复杂问题的指南。

    Jan, 2024