Nov, 2023

触觉分析：机器学习分类算法在触觉数据上的实证评估

PDF
TL;DR研究通过触摸屏智能手机上独特的交互行为对个体进行分类。使用 Touch-Analytics 数据集，包括 41 个受试者和 30 个不同的行为特征。提出了新的特征来改善整体鉴别性能。通过结合新特征和现有特征，SVM 和 kNN 的分类准确率分别为 94.7% 和 94.6%。探索了七个其他的分类器，并且决策树和提出的 DNN 分类器的准确率最高达到 100%。
classifying individualstouch-analytics datasetsdeep neural net (dnn) architectureclassification accuracybehavioral features
发现论文，激发创造
  • 您的身份是您的行为 -- 基于机器学习和触摸动态的连续用户认证

    本研究旨在探讨利用神经网络、极端梯度提升和支持向量机三种不同算法在移动触摸动力学方面实现连续认证的可行性，研究结果表明，移动触摸动力学在连续认证方面有很大的潜力用于增强安全性和减少未经授权的使用个人设备的风险，并且使用不同的算法可以在不同的任务中获得不同的性能表现。

    Apr, 2023

  • 您的设备可能比您自己更了解您 —— 使用机器学习在新数据集上进行连续认证

    本研究旨在进一步研究利用行为生物特征进行连续身份验证的领域。我们贡献了一个创新的数据集，该数据集涵盖了 15 名用户使用三星平板电脑玩 Minecraft 的手势数据，每个用户游戏时间为 15 分钟。利用这个数据集，我们使用了机器学习二元分类器，包括随机森林、K 最近邻和支持向量分类器，来确定特定用户行为的真实性。我们最强大的模型是支持向量分类器，其平均准确率达到了约 90%，表明触摸动态可以有效区分用户。然而，还需要进一步研究使其成为身份验证系统的可行选择。

    Mar, 2024

  • 使用高分辨率触觉传感器的基于 CNN 的物体识别方法

    本文介绍了一种基于高分辨率压力传感器和卷积神经网络的两种方法，对接触对象进行分类。这些方法包括利用预训练的卷积神经网络或使用自定义 CNN 进行分类，并测试了 11 个配置的性能表现，提供了与当前触觉对象识别技术的比较讨论。

    May, 2023

  • 乳腺癌检测：基于机器学习算法的威斯康星州诊断数据集应用

    本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。

    Nov, 2017

  • 使用众包和深度学习建模移动界面的可点击性

    本篇论文通过大规模数据收集、深度神经网络进行推测，提出了一种模型预测用户对于界面元素的可点击性，即 tappability，并开发了工具 TapShoe，对设计师进行可点击状态的自动诊断。

    Feb, 2019

  • 行为生物特征认证中常用的机器学习分类模型探究

    讨论了现有行为生物识别移动认证中使用的关键机器学习算法，重点关注使用触摸动态和手机移动的算法。

    Apr, 2022

  • 学习识别触摸手势：循环 vs. 卷积特征和动态采样

    利用深度神经网络，提出了基于动态采样和时间归一化组件的触摸手势学习方法，可以将变长手势转换为固定长度表示并处理多用户和硬件变化，本文还提出了新的手势数据集并在标准数据集上超越了现有技术并报告了接近完美的性能。

    Feb, 2018

  • 利用视觉建模和显著性分析预测和解释移动 UI 的可点击性

    本文运用基于深度学习的方法，能够仅基于像素预测移动 UI 截屏中被用户感知为可点击的元素，并运用 ML 可解释性技术解释模型输出结果，其中采用 XRAI 技术突出显示对所选区域的可点击性预测影响最强烈的截屏区域，采用 k - 最近邻方法表示数据集中对可点击性感知产生相反影响的最相似移动 UI。

    Apr, 2022

  • 使用行为生物特征和机器学习评估用户认证模式

    本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

    May, 2022

  • UCI 机器学习库中 11 个不同数据集上 KNN、SVM、LMNN 和 ENN 算法准确率变化的研究和观察

    本研究实现四种主流的机器学习算法在十一个数据集上，分析它们的准确性，并且探讨机器学习算法与数据维度之间的关系。

    Sep, 2018