Este artículo presenta EERLoss, una aproximación subdiferenciable de la Tasa de Error Igual (EER) diseñada para alinear el entrenamiento de modelos biométricos profundos con las métricas de evaluación principales. Validado en la verificación de dinámica de tecleo utilizando el benchmark KVC-onGoing, el enfoque aborda la desalineación entre los objetivos de optimización y la evaluación del rendimiento.

  • Evaluado en el benchmark a gran escala KVC-onGoing con datos de más de 185,000 sujetos.
  • Demuestra superioridad sobre las funciones de pérdida existentes de última generación mediante estudios exhaustivos de ablación.
  • Converge sustancialmente más rápido que otras pérdidas, reduciendo los costos generales de entrenamiento.
  • Logra una reducción relativa de EER de aproximadamente 30% cuando se aplica a la arquitectura ganadora de KVC.

Los resultados validan a EERLoss como un objetivo de entrenamiento efectivo y alineado con la tarea, específicamente adecuado para rasgos biométricos de alta varianza como la dinámica de tecleo.