Biometric ontology for semantic biometric‐as‐a‐service (BaaS) applications: a border security use case
Notice bibliographique
Résumé
With the fast adoption of cloud computing, the use of biometric technologies has evolved to adifferent way of providing security, preserving privacy, and analysing personaltraits for various purposes. The main components of any biometric system, suchas biometric sensing, data gathering, feature extraction, identification,verification, recognition, and analytics, are now handled over distributednetworks. Many of the biometric system services are presented over such networkswhich are followed by the creation of a new concept ‘biometric‐as‐a‐service(BaaS)’. Recent BaaS approaches usually focus on identifying the effectivedistributed architectures, policies, and use case recommendations. However,there is a strong need to focus on developing a semantic framework which shouldrely on a biometric ontology. This study presents such an ontology covering theuses of different biometric modalities, evaluation and assessment of biometricsystems, modelling biometric processes, and analyses through interlinkedrelations with biometric stakeholders. In order to shed light on how such anontology is useful for BaaS solutions, a case study focusing on the various usesof biometric modalities is presented. The selected use case addresses the asylumseeker or immigrant identification problems regarding the border securitychallenges where facial biometrics are benefited.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».