Abstract
An abstract model of an artificial immune network (AIS) based on a classifier committee and robust learning algorithms (with and without a teacher) for classification problems, which are characterized by small volumes and low representativeness of training samples, are proposed. Evaluation of the effectiveness of the model and algorithms is carried out by the example of the authentication task using keyboard handwriting using 3 databases of biometric metrics. The AIS developed possesses emergence, memory, double plasticity, and stability of learning. Experiments have shown that AIS gives a smaller or comparable percentage of errors with a much smaller training sample than neural networks with certain architectures.
Highlights
An abstract model of an artificial immune network (AIS) based on a classifier committee and robust learning algorithms for classification problems, which are characterized by small volumes and low representativeness of training samples, are proposed
Experiments have shown that AIS gives a smaller or comparable percentage of errors with a much smaller training sample than neural networks with certain architectures
Patton. – Chapman and Hall, 1994. – ISBN: 978-0412-54470-5
Summary
При биометрической аутентификации выполняется сравнение «один к одному» предъявляемого образа и эталона определенного субъекта. 1. Структура выборок для испытуемого под номером z, где ĸT/V(С/Ч) – объем выборки, T – тренировочная, V – валидационная, С – «Свой», Ч – «Чужие», ĸ(С)=ĸT(С)+ĸV(С). Объем выборки «Свой» в биометрической системе аутентификации ограничен 10 – 30 примерами, обучение должно выполняться за короткий промежуток времени (иначе система не будет востребована на практике). Выборка «Чужие» не ограничена в объеме (можно использовать одну большую выборку «Чужих» для обучения всех автоматов аутентификации). Показатели FRR и FAR взаимозависимы, их соотношение определяет пороговый коэффициент, с помощью которого их можно балансировать. Однако чаще используется коэффициент равной вероятности ошибок EER, когда выполняется условие: EER ≈ FAR ≈ FRR ≈ 1 – MAC. Для этого при тестировании строятся характеристические кривые (ROCкривые), отображающие взаимную зависимость FRR, FAR и порогового коэффициента. Для использования потенциала методов «глубокого» обучения требуется большой объем обучающей выборки, не реализуемый на практике (320 примеров на человека). Достигнутые показатели надежности для методов классификации субъектов по клавиатурному почерку
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
