33、基于机器学习的自由文本击键动态分析

基于机器学习的自由文本击键动态分析

1. 旋转子集实验

在对自由文本击键动态进行分析时，考虑了Buffalo自由文本数据集中的旋转子集。该子集中有73个用户在不同会话中使用不同键盘。
- 多分类模型实验 ：构建了多分类模型，结果如下表所示：
| Parameters | Model | Kernel | Out-channel | RNN-size | Epochs | Accuracy |
| — | — | — | — | — | — | — |
| | CNN - GRU | 2 | 96 | 8 | 120,240 | 58.22% |
| | CNN - GRU | 16 | 192 | 64 | 40,80 | 49.16% |

与之前的多分类结果相比，这里的分类效果差很多，这是因为数据的每个会话来自不同键盘。
- 微调实验 ：使用多分类模型作为预训练模型构建二分类器，微调结果如下表：
| Test session | Model | Learning rate | s0 | s1 | s2 | Average |
| — | — | — | — | — | — | — |
| | CNN - GRU | 0.001 | 86.9% | 83.7% | 91.1% | 87.2% |
| | CNN - GRU | 0.01 | 89.8% | 86.7% | 93.2% | 89.9% |

从这些结果可以看出，使用不同键盘会给基于击键动态的建模带来严重困难，同一用户使用不同键盘时可能需要不同的