本文介绍了 IEEE BigData 2023 Keystroke Verification Challenge (KVC) 的结果，该挑战考虑了键入动态（Keystroke Dynamics，KD）的生物特征验证性能，以 tweet 长度的可变转录文本序列为对象，涵盖了超过 185,000 个受试者的数据。参与者提出了几种神经结构，导致桌面和移动场景中最佳团队分别达到全局相等错误率 (Equal Error Rates, EER) 最低分别为 3.33% 和 3.61%，优于现有的 KD 生物特征验证性能的最新水平。挑战将继续在 CodaLab 上进行，为研究界提供一个有用的工具，以在相同的实验条件下比较不同的方法，并加深对该领域的了解。

Jan, 2024

通过新的实验框架和公平度指标，基于键盘动力学的生物特征验证的绩效和公平性得到了提升并通过实验证明其可行性。

Nov, 2023

该论文研究了基于敲击行为的生物特征识别与验证方法，提出了一种基于 Transformer 的网络模型，通过自注意机制从敲击序列中提取信息特征，超越了传统的循环神经网络的性能。该研究探索了两种不同的网络架构，分别是双编码器和交叉编码器，并比较了它们在敲击身份验证中的效果。同时，作者还研究了不同的损失函数和距离度量方法，通过一系列实验优化了训练过程，提高了模型性能。通过使用 Aalto 桌面敲击数据集进行评估，结果表明采用批量全三元组损失和余弦距离的双编码器架构取得了最佳性能，等错误率仅为 0.0186%。此外，通过尝试使用一类支持向量机等替代算法计算相似度得分，进一步提高了准确性，使等错误率达到 0.0163%。研究结果表明，该模型超越了自由文本敲击身份验证领域的最新技术水平，为进一步发展敲击身份验证领域并提供安全的用户验证系统提供了实际意义。

Oct, 2023

该研究基于一个公共的按键数据集，探讨了通过对齐预处理算法，使用不同的异常检测方法进行击键生物识别，对检测准确性的影响，结果表明：通过预处理和评分归一化技术，可以显著提高检测性能。

Jun, 2016

本研究提出一种数据驱动的学习模型，用于合成按键生物特征数据，并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据，本研究改进了基于按键的机器人检测系统的训练过程，并通过定量和定性实验验证了三种方法的表现。实验结果表明，在有大量标记数据的情况下，这些合成样本可以被高精度地检测出来，但在少样本学习的情况下则是一个重要的挑战。此外，这些结果显示了所提出模型的巨大潜力。

Jul, 2022

这篇论文提出了一种基于 RNN 的按键动态生物识别方法，通过对两个相邻按键的输入序列和实际打字时间的目标序列进行处理，获得了比短文本和固定长度文本更好的认证性能和稳定性。

Jun, 2018

本文提出使用击键动态通过机器学习算法进行用户身份认证，可作为外部设备二步验证的替代方案，提升应用程序安全性和用户体验。基于数据集的距离度量和 ANN、CNN 多分类算法，最终实现了 95.05％的识别准确率。

Apr, 2023

使用基于图像的复杂特征和多分类卷积神经网络，在能够识别 148 个用户的数据集上取得了 0.78 的准确性；然而，将同一特征的稍作修改后，使用随机森林分类器则可以获得 0.93 的准确性。

Jul, 2023

通过基于深度学习的方法，本论文提出并验证了一种能够从用户视角的 RGB 视频流中准确预测按键的增强现实应用。该方法使用户能够在任何平面上执行打字活动，并且不再需要物理或虚拟键盘，相关实验结果证明了这种方法的可行性和潜力，并讨论了将此技术应用到生产系统中所需的限制和未来研究。

Aug, 2023

本文提出了一种新技术 DEEPSERVICE 来识别移动用户，该技术基于用户的击键信息进行识别，准确率高达 93％以上，并且只需不到 1 毫秒的时间。

Nov, 2017