Verificação de assinaturas manuscritas através de análise de redes complexas

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: SANTOS, Yan Antonino Costa dos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia de Producao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Engenharia de Produção
Verificação de assinaturas
Análise de redes complexas
Aprendizado de máquina
Link de acesso: https://repositorio.ufpe.br/handle/123456789/41295
Resumo: MARTÍNEZ, Raydonal Ospina também é conhecido em citações bibliográficas por: OSPINA, Raydonal; OSPINA, R.; OSPINA-MARTINEZ, R.; MARTINEZ, Raydonal; MARTINEZ, R.
id UFPE_1d01eb5eeccd89b15a8be0551db7c51c
oai_identifier_str oai:repositorio.ufpe.br:123456789/41295
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Verificação de assinaturas manuscritas através de análise de redes complexasEngenharia de ProduçãoVerificação de assinaturasAnálise de redes complexasAprendizado de máquinaMARTÍNEZ, Raydonal Ospina também é conhecido em citações bibliográficas por: OSPINA, Raydonal; OSPINA, R.; OSPINA-MARTINEZ, R.; MARTINEZ, Raydonal; MARTINEZ, R.Nesta dissertação, um modelo para verificação de assinaturas manuscritas online através de análise de redes complexas é proposto, em que métricas de centralidade são utilizadas como características preditoras. Seis métodos de aprendizado supervisionado são usados como classificador da veracidade da assinatura: Naive Bayes, Árvore de decisão, floresta aleatória, Extreme Gradient Boosting, Máquina de vetores de suporte e Regressão logística. No estudo é utilizado o banco de dados de assinaturas do MCYT-100, que é utilizado em problemas de verificação. A base de dados possui informações da dinâmica de assinatura de 100 indivíduos, sendo que cada assinatura é replicada (25 assinaturas genuínas e 25 falsas) a fim de tornar viável a avaliação da variabilidade do indivíduo. No framework, as assinaturas foram consideradas como os nós de uma rede complexa em que a relação de conexão existente entre duas assinaturas é mensurada através das correlações entre as séries temporais das coordenadas da assinatura que excedem um limiar de comparação. Este estudo consiste na implementação e avaliação de 5 etapas: 1) coleta de dados; 2) pré-processamento dos dados: transformar as coordenadas em séries temporais e usá-las para a formação das redes complexas; 3) extração dos dados: cálculo das métricas das redes complexas; 4) aprendizado de máquina: uso dos métodos de machine learning para a classificação das assinaturas; 5) avaliação do modelo de aprendizado. Os atributos para o modelo foram as medidas topológicas de centralidade de grau e de autovetor, coeficiente de clusterização e porcentagem de vizinhos verdadeiros. A entropia de permutação como quantificador da informação das séries temporais também é usada como um preditor. Para o ajuste do modelo foram selecionadas aleatoriamente 20 assinaturas verdadeiras e 20 falsas por indivíduo. Métricas de erro preditivo foram calculadas usando as 10 assinaturas restantes por indivíduo. Esse processo foi repetido em um esquema Monte Carlo com 100 repetições para obter estimativas médias de ajuste. Algumas métricas para medir os erros de classificação são utilizadas, entre elas o False Rejection Rate (FRR) que identifica a porcentagem de assinaturas verdadeiras que são rejeitadas pelo modelo, o False Acceptance Rate (FAR) como sendo a porcentagem de assinaturas falsas que são aceitas pelo mecanismo de aprendizado e a Average Error Rate (AER) como o erro médio. Neste framework obteve-se uma taxa de falsos positivos de 6,19%, uma taxa de falso negativo de 6,39% e um erro médio de aproximadamente 6,28%. Em geral as métricas de rede de assinaturas verdadeiras diferem bastante de assinaturas falsas.CAPESIn this dissertation, a model for online handwritten signatures verification via complex network analysis is proposed, in which centrality metrics are used as predictor features. Six supervised learning methods are used as a classifier of signature veracity: Naive Bayes, Decision Tree, Random forest, Extreme Gradient Boosting, Support Vector Machine, and Logistic Regression. In the study is used the signatures database of the MCYT-100, which is used in verification problems. The database has information on the signature dynamics of 100 individuals, and each signature is replicated (25 genuine signatures and 25 false signatures) in order to make the assessment of the individual's variability feasible. In the framework, signatures were considered as the nodes of a complex network in which the existing connection relationship between two signatures is measured through the correlations between time series of signature coordinates that exceed a comparison threshold. This study consists of the implementation and evaluation of 5 stages: 1) data collection; 2) data pre-processing: transform the coordinates into time series and use them for the formation of complex networks; 3) data extraction: calculation of the metrics of complex networks; 4) machine learning: use of machine learning methods for the classification of signatures; 5) evaluation of the models. The atributes for the model were the topological measures of grade and autovector centrality, cluster coeficiente and percentage of genuine neighbors. Permutation entropy as a quantifier of time series information is also used as a predictor. For the adjustment of the model, 20 genuine signatures and 20 false signatures per individual were randomly selected. Predictive error metrics were calculated using the remaining 10 signatures per individual. This process was repeated in a Monte Carlo scheme with 100 repetitions to obtain average adjustment estimates. Some metrics for measuring classification errors are used, including the False Rejection Rate (FRR), which identifies the percentage of genuine signatures that are rejected by the model, the False Acceptance Rate (FAR) as the percentage of false signatures that are accepted by the learning engine, and the Average Error Rate (AER). In this framework, a false acceptance rate of 6,19% was obtained, a false rejection rate of 6,39% and an average error of approximately 6,28%. In general, network metrics for genuine signatures differ greatly from false signature. Compared to other models in the literature, network metrics are shown to be very promising attributes for signature verification.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Engenharia de ProducaoRÊGO, Leandro ChavesMARTÍNEZ, Raydonal Ospinahttp://lattes.cnpq.br/9104068651235002http://lattes.cnpq.br/2004501146244643http://lattes.cnpq.br/6357960802605841SANTOS, Yan Antonino Costa dos2021-10-08T17:43:43Z2021-10-08T17:43:43Z2021-02-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSANTOS, Yan Antonino Costa dos. Verificação de assinaturas manuscritas através de análise de redes complexas. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco. Recife, 2021.https://repositorio.ufpe.br/handle/123456789/41295porhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2021-10-09T05:12:40Zoai:repositorio.ufpe.br:123456789/41295Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212021-10-09T05:12:40Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Verificação de assinaturas manuscritas através de análise de redes complexas
title Verificação de assinaturas manuscritas através de análise de redes complexas
spellingShingle Verificação de assinaturas manuscritas através de análise de redes complexas
SANTOS, Yan Antonino Costa dos
Engenharia de Produção
Verificação de assinaturas
Análise de redes complexas
Aprendizado de máquina
title_short Verificação de assinaturas manuscritas através de análise de redes complexas
title_full Verificação de assinaturas manuscritas através de análise de redes complexas
title_fullStr Verificação de assinaturas manuscritas através de análise de redes complexas
title_full_unstemmed Verificação de assinaturas manuscritas através de análise de redes complexas
title_sort Verificação de assinaturas manuscritas através de análise de redes complexas
author SANTOS, Yan Antonino Costa dos
author_facet SANTOS, Yan Antonino Costa dos
author_role author
dc.contributor.none.fl_str_mv RÊGO, Leandro Chaves
MARTÍNEZ, Raydonal Ospina
http://lattes.cnpq.br/9104068651235002
http://lattes.cnpq.br/2004501146244643
http://lattes.cnpq.br/6357960802605841
dc.contributor.author.fl_str_mv SANTOS, Yan Antonino Costa dos
dc.subject.por.fl_str_mv Engenharia de Produção
Verificação de assinaturas
Análise de redes complexas
Aprendizado de máquina
topic Engenharia de Produção
Verificação de assinaturas
Análise de redes complexas
Aprendizado de máquina
description MARTÍNEZ, Raydonal Ospina também é conhecido em citações bibliográficas por: OSPINA, Raydonal; OSPINA, R.; OSPINA-MARTINEZ, R.; MARTINEZ, Raydonal; MARTINEZ, R.
publishDate 2021
dc.date.none.fl_str_mv 2021-10-08T17:43:43Z
2021-10-08T17:43:43Z
2021-02-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SANTOS, Yan Antonino Costa dos. Verificação de assinaturas manuscritas através de análise de redes complexas. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco. Recife, 2021.
https://repositorio.ufpe.br/handle/123456789/41295
identifier_str_mv SANTOS, Yan Antonino Costa dos. Verificação de assinaturas manuscritas através de análise de redes complexas. 2021. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco. Recife, 2021.
url https://repositorio.ufpe.br/handle/123456789/41295
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia de Producao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Engenharia de Producao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041858490171392

Registros relacionados