論文の概要: AI solutions for drafting in Magic: the Gathering
- arxiv url: http://arxiv.org/abs/2009.00655v3
- Date: Sun, 4 Apr 2021 19:13:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:10:07.728707
- Title: AI solutions for drafting in Magic: the Gathering
- Title（参考訳）: MagicでのドラフトのためのAIソリューション: ギャザリング
- Authors: Henry N. Ward, Daniel J. Brooks, Dan Troha, Bobby Mills, Arseny S.
Khakhalin
- Abstract要約: 我々は,Drafttsim.comから収集した10,000以上の擬似匿名化人ドラフトのデータセットを提示する。
本稿では,プリミティブな起草エージェント,エキスパートによる複雑なエージェント,ネイブベイズエージェント,ディープニューラルネットワークエージェントの4つの多様な戦略を提案する。
この作業は、ヒューマンライクな起草エージェントの作成における次のステップを特定し、次世代の起草ボットのベンチマークとして機能する。
- 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: Drafting in Magic the Gathering is a sub-game within a larger trading card
game, where several players progressively build decks by picking cards from a
common pool. Drafting poses an interesting problem for game and AI research due
to its large search space, mechanical complexity, multiplayer nature, and
hidden information. Despite this, drafting remains understudied, in part due to
a lack of high-quality, public datasets. To rectify this problem, we present a
dataset of over 100,000 simulated, anonymized human drafts collected from
Draftsim.com. We also propose four diverse strategies for drafting agents,
including a primitive heuristic agent, an expert-tuned complex heuristic agent,
a Naive Bayes agent, and a deep neural network agent. We benchmark their
ability to emulate human drafting, and show that the deep neural network agent
outperforms other agents, while the Naive Bayes and expert-tuned agents
outperform simple heuristics. We analyze the accuracy of AI agents across the
timeline of a draft, and describe unique strengths and weaknesses for each
approach. This work helps to identify next steps in the creation of humanlike
drafting agents, and can serve as a benchmark for the next generation of
drafting bots.
- Abstract（参考訳）: magic the gatheringのドラフトは、大きなトレーディングカードゲーム内のサブゲームであり、複数のプレイヤーが共通のプールからカードを拾ってデッキを徐々に構築する。
ドラフトは、巨大な検索スペース、機械的複雑さ、マルチプレイヤーの性質、隠れた情報のために、ゲームとAI研究にとって興味深い問題となる。
しかし、その一部は高品質でパブリックなデータセットが不足しているため、草案作成はまだ検討されていない。
この問題を修正するために,Drafttsim.comから収集した10,000以上の擬似匿名化人ドラフトのデータセットを提案する。
また, 原始ヒューリスティックエージェント, エキスパート調整複合ヒューリスティックエージェント, ナイーブベイズエージェント, ディープニューラルネットワークエージェントなど, ドラフトエージェントのための4つの多様な戦略を提案する。
我々は、人間の起草をエミュレートする能力のベンチマークを行い、ディープニューラルネットワークエージェントが他のエージェントよりも優れており、ネイブベイズとエキスパートチューニングエージェントは単純なヒューリスティックよりも優れていることを示す。
草案のタイムライン上でaiエージェントの正確性を分析し,それぞれのアプローチに特有の強みと弱みを説明する。
この作業は、ヒューマンライクな起草エージェントの作成における次のステップを特定し、次世代の起草ボットのベンチマークとして機能する。
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) - Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。
課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。
我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-08-20T13:57:00Z) - AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。
我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。
我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
論文 参考訳（メタデータ） (2024-06-06T15:15:41Z) - Toward Human-AI Alignment in Large-Scale Multi-Player Games [24.784173202415687]
我々はXboxのBleeding Edge(100K+ゲーム)から広範囲にわたる人間のゲームプレイデータを解析する。
人間のプレイヤーは、戦闘飛行や探索飛行行動において多様性を示す一方で、AIプレイヤーは均一性に向かう傾向にある。
これらの大きな違いは、ヒューマンアラインアプリケーションにおけるAIの解釈可能な評価、設計、統合の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-02-05T22:55:33Z) - The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる
まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。
単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
論文 参考訳（メタデータ） (2023-09-14T17:12:03Z) - A Technique to Create Weaker Abstract Board Game Agents via
Reinforcement Learning [0.0]
ボードゲームには、少なくとも1人のプレーヤーがプレーする必要があります。
対戦相手が行方不明になったとき、私たちはAIエージェントを作りました。
この研究では、ボードゲームをする弱いAIエージェントの作り方を説明します。
論文 参考訳（メタデータ） (2022-09-01T20:13:20Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - Discovering Multi-Agent Auto-Curricula in Two-Player Zero-Sum Games [31.97631243571394]
明示的な人間設計なしに更新ルールの発見を自動化するフレームワークであるLMACを導入する。
意外なことに、人間のデザインがなくても、発見されたMARLアルゴリズムは競争力や性能が向上する。
LMAC は,例えば Kuhn Poker のトレーニングやPSRO の成績など,小型ゲームから大規模ゲームへの一般化が可能であることを示す。
論文 参考訳（メタデータ） (2021-06-04T22:30:25Z) - Towards Socially Intelligent Agents with Mental State Transition and
Human Utility [97.01430011496576]
対話エージェントに精神状態と実用性モデルを取り入れることを提案する。
ハイブリッド精神状態は、対話とイベント観察の両方から情報を抽出する。
ユーティリティモデルは、クラウドソースのソーシャルコモンセンスデータセットから人間の好みを学習するランキングモデルである。
論文 参考訳（メタデータ） (2021-03-12T00:06:51Z) - Using Graph Convolutional Networks and TD($\lambda$) to play the game of
Risk [0.0]
リスクは、大きなランダム性と大きなゲームツリーの複雑さを持つ6人のプレイヤーゲームである。
従来AIは、エージェントの決定を決定する高レベルの手作り機能の開発に重点を置いていた。
私は、時間差強化学習を用いてDeep Neural Networkを訓練するリスクエージェントD.A.Dを作成します。
論文 参考訳（メタデータ） (2020-09-10T18:47:08Z) - Signaling in Bayesian Network Congestion Games: the Subtle Power of
Symmetry [66.82463322411614]
本論文は, 最適遠点透過型シグナリング方式の問題点に焦点をあて, 対称性がその解法において重要な性質であることを示す。
プレイヤーが対称でアフィンコスト関数を持つとき,最適なエクアント説得スキームが計算可能であることを示す。
論文 参考訳（メタデータ） (2020-02-12T19:38:15Z)
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。