Soluciones match-on-device y processing-on-device en sistemas móviles
Bibliographic record
Abstract
La identificación biométrica está comenzando a ganarse un hueco en nuestras vidas. Cada vez son más las instituciones donde se autentica a las personas utilizando dispositivos biométricos. Su excelente tasa de reconocimiento, unido a la comodidad que ofrece al usuario, junto a su dificultad de suplantación de identidad, hacen de la identificación biométrica una opción muy atractiva a la hora de reconocer personas en el ámbito de la seguridad. Sin embargo, dado el gran número de fabricantes que existen, es necesario definir un estándar para poder compatibilizar todas las tecnologías en una sola. Nace así el estándar BioAPI. \nPor otro lado, el mercado actual de telefonía se ha incrementado vertiginosamente con la llegada de los teléfonos móviles conocidos como “smartphones”. Estos dispositivos se han convertido en herramientas indispensables para la población, haciendo que la mayoría de personas los lleven siempre consigo. Además, posibilitan la realización de operaciones que antes sólo los ordenadores eran capaces de ejecutar. \nUniendo estos puntos anteriores, surge este Trabajo de Fin de Grado, cuyo objetivo es comprobar las propuestas al nuevo estándar BioAPI. Para verificar la compatibilidad que ofrece estas nuevas propuestas, se implementará un sistema basado en reconocimiento por huellas dactilares, formado por un ordenador y un teléfono móvil, con el requisito de que las funcionalidades biométricas se ejecuten en el dispositivo móvil.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".