論文の概要: Scalable Psychological Momentum Forecasting in Esports

• arxiv url: http://arxiv.org/abs/2001.11274v2
• Date: Sat, 15 Feb 2020 01:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 11:54:47.579038
• Title: Scalable Psychological Momentum Forecasting in Esports
• Title（参考訳）: スポーツにおけるスケーラブルな心理的モメンタム予測
• Authors: Alfonso White, Daniela M. Romano
• Abstract要約: 競争ゲームのための知的エージェント推薦エンジンの開発が進行中である。 本研究では,選手の心理的運動量と傾きの学習的表現を用いて,前・後勝利予測における最先端のパフォーマンスを達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The world of competitive Esports and video gaming has seen and continues to experience steady growth in popularity and complexity. Correspondingly, more research on the topic is being published, ranging from social network analyses to the benchmarking of advanced artificial intelligence systems in playing against humans. In this paper, we present ongoing work on an intelligent agent recommendation engine that suggests actions to players in order to maximise success and enjoyment, both in the space of in-game choices, as well as decisions made around play session timing in the broader context. By leveraging temporal data and appropriate models, we show that a learned representation of player psychological momentum, and of tilt, can be used, in combination with player expertise, to achieve state-of-the-art performance in pre- and post-draft win prediction. Our progress toward fulfilling the potential for deriving optimal recommendations is documented.
• Abstract（参考訳）: 競争力のあるEスポーツやビデオゲームの世界は、人気と複雑さの着実に成長を続けている。 それに伴い、ソーシャルネットワークの分析から、人間と対戦する高度な人工知能システムのベンチマークまで、このトピックに関するさらなる研究が公表されている。 本稿では,ゲーム内選択の分野での成功と楽しみを最大化するためにプレイヤーに行動を提案するインテリジェントエージェント推薦エンジンの検討と,より広い文脈でのプレイセッションのタイミングに関する決定について述べる。 時間的データと適切なモデルを利用して、プレイヤーの心理運動量と傾きの学習表現が、プレイヤーの専門知識と組み合わせて、プレ・ドリフト勝利予測における最先端のパフォーマンスを達成することができることを示す。 最適なレコメンデーションを導き出す可能性を達成するための私たちの進歩を文書化します。

関連論文リスト

• Optimizing Hearthstone Agents using an Evolutionary Algorithm [0.0]
  本稿では,カードゲーム『Harthstone』をプレイするエージェントの開発に進化的アルゴリズム(EA)を用いることを提案する。 エージェントは競争力のある共進化的トレーニングアプローチによって自己学習を特徴とする。 提案されたアプローチによって開発されたエージェントの1つは、国際ヘースストーン人工知能(AI)コンペティションにおけるランナーアップ(6%)であった。
  論文  参考訳（メタデータ） (2024-10-25T16:49:11Z)
• Predicting Outcomes in Video Games with Long Short Term Memory Networks [0.39723189359605243]
  本研究は,ゲームトーナメントにおける観客エンゲージメントを高めるために,リアルタイムな勝利予測手法を導入することを目的とする。 概念実証として,従来の2人プレイのアーケードゲームSuper Street Fighter II Turboにおけるモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-02-24T22:36:23Z)
• Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution [29.478765505215538]
  本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。 グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。 実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
  論文  参考訳（メタデータ） (2023-03-29T14:48:51Z)
• Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
  本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。 提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
  論文  参考訳（メタデータ） (2022-08-22T14:06:06Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
  本研究は、競合する社会的影響に基づく新しい学習メカニズムの提供に焦点を当てる。 本研究は,競争競合の概念に基づいて,これらのエージェントの評価を人的視点から変えられるかを検討することを目的とする。
  論文  参考訳（メタデータ） (2020-11-02T21:54:18Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)
• Moody Learners -- Explaining Competitive Behaviour of Reinforcement Learning Agents [65.2200847818153]
  競合シナリオでは、エージェントは動的環境を持つだけでなく、相手の行動に直接影響される。 エージェントのQ値の観察は通常、その振る舞いを説明する方法であるが、選択されたアクション間の時間的関係は示さない。
  論文  参考訳（メタデータ） (2020-07-30T11:30:42Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。