論文の概要: Valuing Player Actions in Counter-Strike: Global Offensive
- arxiv url: http://arxiv.org/abs/2011.01324v2
- Date: Wed, 4 Nov 2020 18:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 10:45:54.844189
- Title: Valuing Player Actions in Counter-Strike: Global Offensive
- Title（参考訳）: 対戦相手の行動を評価する:世界的攻撃
- Authors: Peter Xenopoulos, Harish Doraiswamy, Claudio Silva
- Abstract要約: ゲーム内CSGOイベント7000万以上を使用して、当社のフレームワークの一貫性と独立性を実証します。
また,高インパクトプレイ識別と不確実性推定のユースケースも提供する。
- 参考スコア（独自算出の注目度）: 4.621805808537653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Esports, despite its expanding interest, lacks fundamental sports analytics
resources such as accessible data or proven and reproducible analytical
frameworks. Even Counter-Strike: Global Offensive (CSGO), the second most
popular esport, suffers from these problems. Thus, quantitative evaluation of
CSGO players, a task important to teams, media, bettors and fans, is difficult.
To address this, we introduce (1) a data model for CSGO with an open-source
implementation; (2) a graph distance measure for defining distances in CSGO;
and (3) a context-aware framework to value players' actions based on changes in
their team's chances of winning. Using over 70 million in-game CSGO events, we
demonstrate our framework's consistency and independence compared to existing
valuation frameworks. We also provide use cases demonstrating high-impact play
identification and uncertainty estimation.
- Abstract（参考訳）: esportsの関心は高まっているが、アクセス可能なデータや実証済みで再現可能な分析フレームワークといった、基本的なスポーツ分析リソースが欠けている。
counter-strike: global offensive (csgo)は2番目に人気のあるeスポーツであり、これらの問題に苦しむ。
したがって,チーム,メディア,賭け者,ファンにとって重要な課題であるCSGOプレーヤーの定量的評価は困難である。
そこで本稿では,(1)オープンソース実装によるcsgoのデータモデル,(2)csgoにおける距離を定義するためのグラフ距離測定,(3)チームの勝利確率の変化に基づいてプレイヤーの行動を評価するコンテキスト認識フレームワークを紹介する。
7000万以上のゲーム内csgoイベントを使用して,既存の評価フレームワークと比較して,フレームワークの一貫性と独立性を示す。
また,高インパクトプレイ識別と不確実性推定のユースケースも提供する。
関連論文リスト
- Identifying and Clustering Counter Relationships of Team Compositions in PvP Games for Efficient Balance Analysis [24.683917771144536]
ゼロサム競争シナリオにおけるバランスを定量化する尺度を開発する。
我々は、合成の有用なカテゴリを特定し、それらのカウンター関係をピンポイントする。
私たちのフレームワークは、Eage of Empires II、Hearthstone、Brawl Stars、League of Legendsなど、人気のあるオンラインゲームで検証されています。
論文 参考訳（メタデータ） (2024-08-30T10:28:36Z) - A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳（メタデータ） (2022-11-22T15:23:53Z) - ESTA: An Esports Trajectory and Action Dataset [0.0]
我々はエスポートデータを用いて、勝利予測のための機械学習モデルを開発する。
Awpyはオープンソースのライブラリで、プレイヤーの軌跡やアクションをゲームログから抽出できる。
ESTAは、これまでで最大かつ最も細かく公開されているスポーツデータセットの1つである。
論文 参考訳（メタデータ） (2022-09-20T17:13:50Z) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳（メタデータ） (2022-07-26T21:38:07Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - 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) - Action Recognition using Transfer Learning and Majority Voting for CSGO [0.6875312133832078]
本論文は, 4つの異なる行動の正確な予測モデルを構築し, 5つの異なる伝達学習モデルと, 自己発達した深層ニューラルネットワークの性能を比較することを目的とする。
このモデルにより、HLTVのデータ収集の問題を解決するとともに、より多くのデータを収集・処理する自動システムの構築が容易になる。
論文 参考訳（メタデータ） (2021-11-06T13:33:20Z) - Optimal Team Economic Decisions in Counter-Strike [0.0]
ゲームレベルの勝利確率モデルを導入し、与えられたラウンドの開始時にチームがゲームに勝つ確率を予測する。
勝利確率モデルを用いて,重要なゲームシナリオに対する最適なチーム支出決定について検討する。
最後に、最適な支出決定が予想される最適支出決定にどの程度近づいたかによってチームをランク付けするために、測定基準である"Optimal Spending Error"(OSE)を導入します。
論文 参考訳（メタデータ） (2021-09-20T15:16:36Z) - Bandit Modeling of Map Selection in Counter-Strike: Global Offensive [55.41644538483948]
Counter-Strike: Global Offensive (CSGO) では、2つのチームが最初にマップ(仮想世界)を選択して禁止する。
CSGOにおける地図選択の問題に対処し、チームの選択や意思決定の禁止を調査するための文脈的帯域幅の枠組みを導入する。
選択と禁止の両方に関して、チームは最適なマップ選択ポリシーを持っています。
また,バンディット環境では検討されていない報奨制度のアプローチも定義し,報奨制度の導入によってモデル性能が向上することが確認された。
論文 参考訳（メタデータ） (2021-06-14T23:47:36Z) - 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)
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。