Проблематика. Безперервна поведінкова автентифікація (динаміка натискань клавіш, жести торкання/свайпи, датчики руху) дає змогу перевіряти особу користувача без додаткових дій з його боку. Водночас моделі деградують за зміни пристрою, сесії чи виду активності, є чутливими до шуму та часто потребують значних обсягів розмічених даних. З поширенням безпарольних методів входу зростає потреба в механізмах постлогін-контролю ризиків та в моделях, які є стійкими, обчислювально ефективними й стабільними в реальних умовах експлуатації. Мета дослідження. Розробити та емпірично дослідити компактний гібрид CNN–Transformer із легковаговим самонавчальним маскованим автокодуванням часових рядів (MAE-підхід) для мобільної поведінкової біометрії на наборах даних HMOG та WISDM. Методика реалізації. Попередній 1D-CNN-блок виділяє локальні ознаки зі сигналів руху смартфона, тоді як енкодер Transformer моделює довгострокові залежності. Для самонавчального препрейнінгу за обмеженого обчислювального бюджету використовується маскована реконструкція на немаркованих сесіях HMOG, після чого та сама гібридна архітектура донавчається в режимі класифікації користувачів. Оцінено три гібридні варіанти на HMOG (навчання з нуля, навчання з маскованим препрейнінгом, а також з маскованим препрейнінгом і адаптацією CORAL) і три моделі на WISDM (базовий Transformer, гібрид без препрейнінгу та гібрид, ініціалізований вагами після MAE-препрейнінгу на HMOG). Якість вимірюється за середніми та медіанними значеннями Equal Error Rate (EER) та AUC на рівні окремих користувачів. Результати дослідження. На наборі HMOG найкращих користувацьких показників досягає гібридна модель, навчена з нуля (EER: 21,51 % у середньому та 18,63 % за медіаною; AUC: 0,854 у середньому та 0,905 за медіаною), тоді як легковагові варіанти з MAE та CORAL поки що не перевершують цю базову конфігурацію. На WISDM гібридна модель суттєво переважає чистий Transformer-базлайн (EER: 9,41 % проти 51,25 % у середньому; AUC: 0,902 проти 0,488 у середньому), а ініціалізація вагами після MAE-препрейнінгу на HMOG дає додаткове покращення (EER: 8,42 % у середньому та 2,07 % за медіаною; AUC: 0,907 у середньому та 0,959 за медіаною). Висновки. Отримані результати свідчать, що компактний гібрид CNN–Transformer є ефективним для сенсорної мобільної поведінкової біометрії та що навіть легковаговий маскований претрейнінг може бути корисним для перенесення між наборами даних. Водночас користь MAE та CORAL на HMOG істотно залежить від бюджету претрейнінг та конфігурації маскування, що вказує на необхідність подальшого налаштування, аби повністю використати потенціал самонавчального препрейнінгу в цій постановці.
Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…
Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…
Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…
Ви також можете розпочати розширений пошук схожих статей для цієї статті.