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

本文提出了基于心率、步态和呼吸音信号的上下文相关的软生物识别可穿戴身份验证系统，使用具有径向基函数内核的二元支持向量机（SVM）可以实现高达 0.94 的平均精度。

Aug, 2020

介绍了一种利用机器学习对可穿戴设备进行身份验证的技术，并在蓝牙协议上进行了演示，有望为识别可穿戴设备提供可靠的网络威胁情报。

Sep, 2018

为了减轻从可穿戴设备或便携设备共享原始传感器数据到云辅助应用程序时可能遇到的隐私威胁，我们提出了在数据共享之前对传感器数据进行转换的机制，旨在通过消除可用于用户重新识别或推断敏感活动的模式，同时引入目标应用程序（或任务）的轻微效用损失来实现目的。我们展示了在手势和活动识别任务上，可以防止推断可能敏感的活动，同时使非敏感活动的识别准确率降低不超过 5 个百分点，并将用户重新识别和性别潜在推断的准确性降到随机猜测的水平，同时保持活动识别的准确性与原始数据中获得的准确性相当。

Nov, 2019

本文介绍了一个框架，可收集来自个人移动设备的数据集，包含异构传感器数据，使用六种降维技术，可以在保持准确率损失小于 3% 的情况下，实现 10 倍加速和超过 90% 的特征减少，从而提高上下文分类能力。

Jun, 2023

本文介绍了 MyDigitalFootprint 数据集，它包含了智能手机传感器数据、物理接近信息和在线社交网络互动的大规模数据，支持多模态上下文识别和社交关系建模，并通过三个基于机器学习任务的上下文感知应用程序展示了其有效性。

Jun, 2023

该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。

Jun, 2023

我们介绍了基于 InstantID 的个性化图像合成方法，通过应用 IdentityNet 模型，使用单张面部图像实现各种风格的图像个性化，同时确保高保真度，并与 SD1.5 和 SDXL 等常用预训练文本到图像扩散模型无缝集成，具有卓越的性能和高效性，在重视身份保护的实际应用中极具益处。

Jan, 2024

提出了一种利用智能手机传感器数据和机器学习对终端用户进行基于行为特征的隐式、持续认证的新系统 iAuth，并实现 92.1% 的认证准确性，系统开销极小，电池消耗不到 2%。

Mar, 2017

介绍了一种称为 Motion ID 的用户认证新方法，该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习，该方法展示了高精度的用户认证，可与现有方法结合使用，也有望作为一种独立的解决方案。

Jan, 2023