ProtoSig: Enhancing training data for offline handwritten signature verification using prototypical signatures
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
Offline Handwritten Signature Verification (offline HSV) analyzes static images of signatures to distinguish between genuine and forged samples. To create training data for such systems, negative samples, commonly known as random forgeries, are typically drawn from genuine signatures of other users, as real-world datasets often lack actual forgeries. While this strategy helps address the scarcity of forgery data, it faces several challenges. The randomly selected samples may lack the diversity and challenge needed to improve model robustness. Additionally, they can cause redundancy, increasing training time and storage requirements, and may introduce bias across users, leading to unfair training distributions. This paper proposes a novel strategy, called ProtoSig , for generating more informative and diverse negative samples by leveraging prototypical signatures, which are compact, non-identifiable vectors obtained through a data-driven summarization of signature feature vectors. Our experiments demonstrate that ProtoSig enhances skilled forgery detection in a writer-dependent verification approach, eliminating performance variability across runs, while reducing dependence on external user data. We further demonstrate that our method achieves comparable or higher accuracy with a smaller training set, yielding substantial scalability benefits: over 98% reduction in training time and up to two orders of magnitude lower computational cost (in FLOPs), while strengthening data privacy and promoting fairness in offline HSV 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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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