Human Trait Analysis via Machine Learning Techniques for User Authentication
Notice bibliographique
Résumé
Machine learning is an extremely important technique that has become heavily used in different types of applications such as detection systems for fraud, intrusion or fault and monitoring systems for health or computer. Human trait analysis and identification is a field of research that needs a strong implementation for machine learning. Human trait analysis provides a tool with which human identification factors can be verified. Currently, detail aspects of human behavior are digitally and continuously logged in Big Data based platforms such as Twitter and Facebook. This continuous flow of high-volume data requires sophisticated data analysis to examine huge amounts of behavioral evidence so that human traits can be modeled. This paper proposes an innovative technique for human trait analysis that fits the needs for user's identity verification. The pioneering work of this technique is in the distinction of the normal and abnormal actions of the users, where the focus is given to these abnormal actions to establish security potential profiles. The data analysis and prediction of the proposed technique is based on the concept of machine learning and uses several models based on four techniques; K-means, Hidden Markov Model (HMM), Auto-Encoder Neural Network, and Gaussian Distribution. Experiments have been carried out in four main phases: prediction of rare user actions, filter security potential actions, build/update a user profile, and generate a real-time (i.e. just in time) set of challenging questions. Real-world scenarios are considered to demonstrate the benefits of these challenging questions in building secure knowledge-based user authentication systems.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».