2025-01-04 に確認した最新投稿の一部です。
Article: 1
Title:
KVC-onGoing: Keystroke Verification Challenge
Published:
2024-12-29
Authors:
Giuseppe Stragapede, Ruben Vera-Rodriguez, Ruben Tolosana, Aythami Morales, Ivan DeAndres-Tame, Naser Damer, Julian Fierrez, Javier Ortega-Garcia, Alejandro Acien, Nahuel Gonzalez, Andrei Shadrikov, Dmitrii Gordin, Leon Schmitt, Daniel Wimmer, Christoph Großmann, Joerdis Krieger, Florian Heinz, Ron Krestel, Christoffer Mayer, Simon Haberl, Helena Gschrey, Yosuke Yamagishi, Sanjay Saha, Sanka Rasnayaka, Sandareka Wickramanayake, Terence Sim, Weronika Gutfeter, Adam Baran, Mateusz Krzysztoń, Przemysław Jaskóła
Abstract:
この記事では、研究者が大規模な公開データベース、アールト大学のKeystrokeデータベース、および標準的な実験プロトコルを使用して、共通のプラットフォームでシステムを簡単にベンチマークできるKeystroke Verification Challenge - onGoing(KVC-onGoing)について説明します。キーストロークデータは、185,000人以上の被験者からの可変トランスクリプトテキストのツイートロングシーケンスで構成され、実際の状況をシミュレートするデスクトップおよびモバイルキーボードを介して取得されます。KVC-onGoingの評価セットの結果は、キーストロークダイナミクスの高い識別力を証明しており、デスクトップシナリオでは等エラー率(EER)の3.33%、偽非マッチ率(FNMR)@1%の誤一致率(FMR)の11.96%、モバイルシナリオではFMRでEERの3.61%、FNMRの17.44%@1%という低い値に達しています。 以前の最先端の結果を大幅に改善します。人口統計学的な公平性に関しては、分析されたスコアは被験者の年齢と性別をさまざまな程度で反映しており、場合によっては無視できません。このフレームワークはCodaLabで実行されます。
Article: 2
Title:
Motion Transfer-Driven intra-class data augmentation for Finger Vein Recognition
Published:
2024-12-29
Authors:
Xiu-Feng Huang, Lai-Man Po, Wei-Feng Ou
Abstract:
指静脈認識(FVR)は、血管の生体情報の機密性により、安全な生体認証技術として浮上しています。近年、深層学習を用いたFVRの人気が高まっており、有望な性能を達成しています。しかし、公開静脈データセットのサイズが限られているため、オーバーフィッティングの問題を引き起こし、認識パフォーマンスが大幅に制限されています。従来のデータ拡張は、このデータ不足の問題を部分的に軽減できますが、厳格なラベル保持画像変換のために実際の指の姿勢のバリエーションをキャプチャできず、パフォーマンスの向上は限定的です。この問題を解決するために、実際の指の姿勢と回転運動をモデル化することにより、指静脈画像データ拡張のための新しいモーショントランスファー(MT)モデルを提案します。提案モデルでは、まずキーポイント検出器を用いて、源泉のキーポイントとポーズマップを抽出し、指静脈画像を駆動します。次に、高密度モーションモジュールを使用してモーションオプティカルフローを推定し、それを画像生成モジュールに供給して、ターゲットポーズの画像を生成します。3つの公開指静脈データベースで行われた実験は、提案された運動伝達モデルが認識精度を効果的に向上させることができることを示しています。コードは https://github.com/kevinhuangxf/FingerVeinRecognition で入手できます。
Article: 3
Title:
Pre-training, Fine-tuning and Re-ranking: A Three-Stage Framework for Legal Question Answering
Published:
2024-12-27
Authors:
Shiwen Ni, Hao Cheng, Min Yang
Abstract:
法的な質問応答(QA)は、質問と回答のペアの大規模なデータベースから最も適切な回答を取得することを目的として、法的なアドバイスを求める人々からますます注目を集めています。以前の方法では、主にデュアルエンコーダアーキテクチャを使用して、質問と回答の両方の密度の高い表現を学習していました。ただし、これらの方法では、ドメインの知識と十分なラベル付けされたトレーニング データが不足している可能性があります。本論文では、\underline{l}egal \underline{QA}(PFR-LQAと呼ばれる)のための3段階(\underline{p}re-training, \underline{f}ine-tuning and \underline{r}e-ranking)フレームワークを提案し、これにより、きめ細かなテキスト表現学習を促進し、デュアルエンコーダアーキテクチャによる高密度検索の性能を向上させることができる。具体的には、まず、自己教師ありのトレーニング目標を通じて、法的な質問と回答に関するドメイン固有の事前トレーニングを実施し、事前学習済みモデルを法的ドメインに適応させることができます。次に、教師あり学習目標を使用して、法的な質問と回答のペアでデュアルエンコーダーのタスク固有の微調整を行い、特定のダウンストリームQAタスク用の高品質のデュアルエンコーダーを実現します。最後に、ドキュメント エンコーダーによって生成された質問の出力表現をさらに洗練するために、コンテキスト再ランク付けの目的を採用し、コンテキスト類似性を使用してアンカーとハード ネガティブ サンプルの間の不一致を増やし、質問の再ランク付けを改善します。手動で注釈を付けたリーガルQAデータセットで広範な実験を行います。実験結果から、当社のPFR-LQA法は、法的な質問応答の強力な競合他社よりも優れた性能を達成していることが示されています。
Article: 4
Title:
MobileNetV2: A lightweight classification model for home-based sleep apnea screening
Published:
2024-12-28
Authors:
Hui Pan, Yanxuan Yu, Jilun Ye, Xu Zhang
Abstract:
この研究では、心電図 (ECG) と呼吸信号から抽出された特徴を活用して、早期の OSA スクリーニングに新しい軽量ニューラル ネットワーク モデルを提案しています。ECG信号は、睡眠段階を予測するための特徴スペクトログラムを生成するために使用され、呼吸信号は睡眠関連の呼吸異常を検出するために使用されます。これらの予測を統合することにより、この方法は無呼吸-低呼吸指数(AHI)をより正確に計算し、正確なOSA診断を容易にします。 この方法は、Apnea-ECG データベース、UCDDB データセット、MIT-BIH 睡眠ポリグラフデータベースの 3 つの一般に公開されている睡眠時無呼吸データベースで検証されました。その結果、全体的なOSA検出精度は0.978であり、モデルの堅牢性が強調されています。呼吸器イベントの分類は、0.969の精度と0.98の受信者動作特性曲線下面積(ROC-AUC)を達成しました。睡眠ステージの分類については、UCDDBデータセットでは、ROC-AUCはすべてのステージで0.85を超え、睡眠の再現率は0.906、レム状態と覚醒状態の特異度はそれぞれ0.956と0.937に達しました。 この研究は、軽量のニューラルネットワークとマルチシグナル解析を統合して、正確でポータブル、かつ費用対効果の高いOSAスクリーニングを実現する可能性を強調しており、在宅およびウェアラブルヘルスモニタリングシステムでの幅広い採用への道を開きます。
Article: 5
Title:
Hades: Homomorphic Augmented Decryption for Efficient Symbol-comparison – A Database’s Perspective
Published:
2024-12-28
Authors:
Dongfang Zhao
Abstract:
完全準同型暗号化(FHE)を搭載したアウトソーシングされたデータベースは、信頼できないクラウドサーバーでの安全なデータ処理を約束します。データベース機能の重要な側面であり、FHEスキーム内で効率的に統合することが依然として困難であるのは、暗号化されたデータに対して比較を実行する機能です。このような比較は、効率的なデータ取得のためのインデックスの構築や、特定の間隔内でデータを選択するための範囲クエリの実行など、さまざまなデータベース操作の基本です。Order-Preserving Encryption(OPE)のような従来のアプローチでは比較が可能ですが、暗号文のサイズを大幅に増やさない限り、基本的にFHEと互換性がないため、FHEの固有のパフォーマンスオーバーヘッドが悪化し、実際の展開がさらに妨げられます。本稿では、暗号文を拡張することなく、FHE暗号文を直接効率的かつ安全に比較できる新しい暗号フレームワークであるHADESについて紹介します。Ring Learning with Errors(RLWE)問題に基づいて、HADESはCPAセキュリティを提供し、周波数分析攻撃を軽減するために摂動対応の暗号化を組み込んでいます。OpenFHEを使用して実装されたHADESは、整数演算と浮動小数点演算の両方をサポートし、実世界のデータセットで実用的なパフォーマンスを発揮し、最先端のベースラインを凌駕する性能を発揮します。