Analysis of Embeddings Learned by End-to-End Machine Learning Eye Movement-driven Biometrics Pipeline

要約

この論文では、生体認証システムにおける時間的永続性の基本的な概念を拡張し、特に機械学習によって促進される眼球運動生体認証の領域に焦点を当てます。
主に生体認証システムの開発に焦点を当てたこれまでの研究とは異なり、私たちの研究では、これらのシステムによって学習された埋め込みを詳しく調べ、特に、さまざまな入力データに応じた時間的持続性、信頼性、および生体認証の有効性を調べています。
公開されている 2 つの眼球運動データセットを利用し、最先端の Eye Know You Too 機械学習パイプラインを分析に採用しました。
私たちは、眼球運動生体認証における機械学習由来の埋め込みが、従来の生体認証で観察された時間的持続性を反映しているかどうかを検証することを目的としています。
私たちの方法論では、入力データのさまざまな長さと品質が眼球運動バイオメトリクスのパフォーマンスにどのような影響を与えるかを評価するために、広範な実験を実施することが含まれていました。具体的には、学習された埋め込みにどのような影響を与えるかを評価しました。
また、さまざまなデータ条件下での埋め込みの信頼性と一貫性も調査しました。
3 つの主要な指標 (ケンダルの一致係数、相互相関、等誤り率) を使用して、調査結果を定量的に評価しました。
結果は、データ長が学習されたエンベディングの安定性に大きな影響を与える一方で、エンベディング間の相互相関の影響は最小限であることを明らかにしました。

要約(オリジナル)

This paper expands on the foundational concept of temporal persistence in biometric systems, specifically focusing on the domain of eye movement biometrics facilitated by machine learning. Unlike previous studies that primarily focused on developing biometric authentication systems, our research delves into the embeddings learned by these systems, particularly examining their temporal persistence, reliability, and biometric efficacy in response to varying input data. Utilizing two publicly available eye-movement datasets, we employed the state-of-the-art Eye Know You Too machine learning pipeline for our analysis. We aim to validate whether the machine learning-derived embeddings in eye movement biometrics mirror the temporal persistence observed in traditional biometrics. Our methodology involved conducting extensive experiments to assess how different lengths and qualities of input data influence the performance of eye movement biometrics more specifically how it impacts the learned embeddings. We also explored the reliability and consistency of the embeddings under varying data conditions. Three key metrics (kendall’s coefficient of concordance, intercorrelations, and equal error rate) were employed to quantitatively evaluate our findings. The results reveal while data length significantly impacts the stability of the learned embeddings, however, the intercorrelations among embeddings show minimal effect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google