Актуальність дослідження зумовлена необхідністю створення високонадійних біометричних систем, стійких до спроб несанкціонованого доступу та якісних підробок підпису в умовах глобальної цифровізації бізнес-процесів. Традиційні методи статичної верифікації поступово втрачають ефективність через появу нових інструментів для відтворення графічного накреслення. У зв'язку з цим автором проведено комплексний порівняльний аналіз розробленого авторами ML-рішення з визнаним комерційним галузевим стандартом Wacom Ink SDK for Verification. Основна увага приділена здатності систем відрізнити справжній підпис від кваліфікованої підробки, виконаної зловмисником з візуальним доступом до оригіналу. Наукова новизна роботи полягає в обґрунтуванні та селекції набору найінформативніших динамічних параметрів для моделі градієнтного бустингу XGBoost. На відміну від стандартних підходів, запропонована модель враховує не лише геометрію підпису, а й похідні характеристики: миттєву швидкість, прискорення та швидкість зміни тиску (jittering). Використання механізму регуляризації в XGBoost дозволило уникнути перенавчання на малих вибірках, що характерно для біометричних даних одного користувача.