Signature based Fuzzy Vaults with Boosted Feature Selection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Handwritten signatures are commonly employed in many financial and forensic processes, and secure offline signature verification systems (SV) are required to automate such processes. In this context, bio-cryptography systems based on the handwritten signatures may be considered for enhance security. This paper presents a bio-cryptography system that constructs Fuzzy Vaults (FVs) based on the offline signature images. Boosting Feature Selection is employed to select features while training weak classifiers of offline SV systems. The indexes of selected features correspond to the most stable and discriminant features from a user's signature images, and are used to encode user-specific FVs. A password is employed as a second authentication measure, to further enhance system security. During authentication, a user provides both the signature and the password to decode the FV and decouple his private key. If the FV is correctly decoded, the user is authenticated by the verification system. The proposed FV implementation alleviates the security vulnerabilities of the classical SV systems like template security, repudiation, irrevocability, and bypassing the classification decision. Moreover, simulations performed on a real-world signature verification database (with random, simple, and skilled forgeries) indicate security guarantees against stolen authentication measures. While compromised signatures or passwords lead to complete fail (FAR = 100%) of the classical SV or password protected cryptography systems respectively, compromised signatures lead to FAR of 0.1%, and compromised passwords leads to FAR of 15% with the proposed system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle