MACET: A Novel Approach to Secure Multimodal Biometric Authentication with Cancellable Templates
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
Biometric authentication is a cornerstone of modern security systems, yet concerns regarding privacy and data security persist. Cancellable biometrics offer a solution by transforming raw biometric data into non-invertible representations, ensuring security even in the event of a data breach. This study presents Multimodal Affine Cover-space Euler Transformation (MACET), a novel framework designed to enhance biometric template security while preserving authentication accuracy. The proposed approach is based on the hypothesis that Affine Cover Space transformation combined with Euler’s form can generate irreversible templates for multimodal biometrics, specifically fingerprint and iris data, without compromising recognition performance. The methodology involves feature extraction, inverse matrix computation, affine transformation, and Euler-based augmentation, ensuring robust and secure biometric template generation. Experimental results, conducted on a dataset of 450 biometric samples, demonstrate the effectiveness of MACET in improving authentication performance. The system achieves an Equal Error Rate (EER) of 0.0046 and an Area Under the ROC Curve (AROC) of 0.9886, indicating high accuracy. Additionally, the method significantly reduces storage memory size to 1.37 KB per template while maintaining an average execution time of 10.89 seconds. Robustness analysis against spoofing attacks confirms the system's ability to resist unauthorized access, ensuring strong security and privacy protection. These findings establish MACET as a highly secure, computationally efficient, and privacy-preserving biometric authentication framework, suitable for real-world applications. Future research could extend this approach to additional biometric modalities and large-scale 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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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