Jul, 2024

IFTT-PIN：一种自校准 PIN 输入方法

PDF
TL;DR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。
personalising interfaceself-calibrationiftt-pinpin entry methodshoulder surfing attacks
发现论文，激发创造
  • IFTT-PIN: 利用自校准范式的 PIN 输入方法

    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。

    May, 2022

  • 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

  • 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

  • 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

  • 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

  • 面向工业物联网设备的自适应射频指纹认证

    该研究论文介绍了一种基于人工智能自适应射频指纹技术选择和调谐的物联网设备认证方法，可在具有挑战性射频环境下实现强大而灵活的设备认证。

    Nov, 2023

  • 个性化和激励式联邦学习

    本文提出了一种一次性个性化解决方案 PI-FL，采用基于令牌的奖励机制来激励客户参与个性化训练，克服了客户不愿意参与联邦学习进程的问题，同时确保客户隐私，该方案表现优于其他现有方法，能够生成高质量的个性化模型。

    Apr, 2023

  • FedPIT: 面向隐私保护和少样本联邦指导调优

    使用 Federated Instructioin Tuning（FedIT）方法，利用大型语言模型的上下文学习能力自动生成任务特定的合成数据进行训练，以提高联邦学习的 Few-shot 性能、保护隐私并对抗不同数据的异质性。

    Mar, 2024

  • 运用诱导身体电位实现触摸式设备认证

    本文提出 TouchAuth，一种基于室内环境电场引起的 iBEPs 来进行设备认证的新方法。TouchAuth 采用了 iBEP 发生的静电学和一个结果特性，即同一人体上两个相邻位置的 iBEPs 相似，而来自不同人体的 iBEPs 是不同的。与现有的身体内通信和生理传感方法相比，TouchAuth 是一种低成本、轻便、方便的方法，授权用户进入室内环境中智能物品。

    Feb, 2019