Gépelésdinamika alapján történő személyazonosítás a SUCCESS semi-supervised osztályozási eljárás felhasználásával
Kutatásom fő témája a gépelésminta alapján történő személyazonosítás, amihez különböző gépi tanulási módszereket használunk. Az e téma iránti egyre nagyobb érdeklődés többek közt köszönhető az online szolgáltatások növekvő népszerűségének (pl. online bankolás, online kurzusok), és annak, hogy ez az eljárás olcsó, könnyen alkalmazható, továbbá megbízható, hisz gépelésünk dinamikája egyedi, nehezen utánozható.
A kutatási program célja az, hogy hozzájáruljon az innovatív, olcsó biometrikákon alapuló személyazonosítási eljárások fejlesztéséhez a gépi tanulásra épülő megoldások alkalmazása révén. A lehetséges biometrikák közül a projekt során a gépelés dinamikájával foglalkozom. Gépelés dinamikája alatt az egyes billentyűleütések hosszát, illetve a billentyűleütések között eltelt időt értjük. Egy gépelésdinamikán alapuló felhasználó-azonosítási rendszer használata során folyamatosan nagy mennyiségben keletkezik ún. „címkézetlen” adat (olyan adat, amelyről nem tudjuk biztosan, hogy melyik felhasználó gépelte), ezért érdemes olyan ún. félig-felügyelt (semi-supervised) eljárásokat vizsgálni, amelyek a címkézett adatok mellett a címkézetlen adatokból is képesek „tanulni”.
Munkám során egy már létező, de a gépelésdinamika alapján történő személyazonosításra korábban nem alkalmazott gépi tanulási eljárást vizsgálok. Konkrétan az idősorok félig-felügyelt osztályozására kidolgozott SUCCESS [1] eljárást adaptálom a gépelésdinamika alapján történő személyazonosításra, és mérem az eljárás pontosságát.
[1] K. Marussy, K. Buza (2013): SUCCESS: A New Approach for Semi-Supervised Classification of Time-Series, ICAISC, LNCS Vol. 7894, pp. 437-447, Springer
szerző
-
Neubrandt Dóra
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulensek
-
Dr. Buza Krisztián
docens, Eötvös Loránd Tudományegyetem (külső) -
Dr. Csima Judit
egyetemi docens, Számítástudományi és Információelméleti Tanszék