論文の概要: AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors
- arxiv url: http://arxiv.org/abs/2012.03491v1
- Date: Mon, 7 Dec 2020 07:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:40:57.625455
- Title: AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors
- Title（参考訳）: 異種センサのデータを用いたAIによるeスポーツ選手のパフォーマンス予測
- Authors: Anton Smerdov, Evgeny Burnaev, Andrey Somov
- Abstract要約: 我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
- 参考スコア（独自算出の注目度）: 12.071865017583502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emerging progress of eSports lacks the tools for ensuring high-quality
analytics and training in Pro and amateur eSports teams. We report on an
Artificial Intelligence (AI) enabled solution for predicting the eSports player
in-game performance using exclusively the data from sensors. For this reason,
we collected the physiological, environmental, and the game chair data from Pro
and amateur players. The player performance is assessed from the game logs in a
multiplayer game for each moment of time using a recurrent neural network. We
have investigated that attention mechanism improves the generalization of the
network and provides the straightforward feature importance as well. The best
model achieves ROC AUC score 0.73. The prediction of the performance of
particular player is realized although his data are not utilized in the
training set. The proposed solution has a number of promising applications for
Pro eSports teams as well as a learning tool for amateur players.
- Abstract（参考訳）: eSportsの進歩には、ProおよびアマチュアeSportsチームにおける高品質な分析とトレーニングを保証するツールが欠けている。
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)ソリューションについて報告する。
このため,プロやアマチュア選手から生理学,環境学,ゲームチェアのデータを収集した。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
我々は,注意機構によってネットワークの一般化が改善され,機能の重要性も高まることを検証した。
最良のモデルはROC AUCスコア0.73を達成する。
トレーニングセットではデータを使用しなくても、特定のプレーヤのパフォーマンスの予測が実現される。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
関連論文リスト
- An efficient machine learning approach for extracting eSports players distinguishing features and classifying their skill levels using symbolic transfer entropy and consensus nested cross validation [0.0]
センサーデータと機械学習が組み合わさって、eSportsプレーヤーの分類に有効であることがすでに証明されている。
本稿では,これらの特徴を効果的に発見し,プレイヤーのスキルレベルを分類する手法を提案する。
分類結果は90.1%の精度で大幅に改善された。
論文 参考訳（メタデータ） (2024-05-08T15:22:12Z) - 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) - Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳（メタデータ） (2023-03-17T01:13:18Z) - 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) - 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) - Detecting Video Game Player Burnout with the Use of Sensor Data and
Machine Learning [15.838305794790022]
本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。
センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。
われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
論文 参考訳（メタデータ） (2020-11-29T21:16:09Z) - 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) - Collection and Validation of Psychophysiological Data from Professional
and Amateur Players: a Multimodal eSports Dataset [7.135992354416602]
リーグ・オブ・レジェンズ(League of Legends)ビデオゲームのプロチームとアマチュアチームから収集したデータセットを40時間以上の録音で提示する。
記録にはプレイヤーの生理活動、動き、脈拍、ササード、様々なセンサーから得られる。
このデータセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
論文 参考訳（メタデータ） (2020-11-02T13:25:11Z) - 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) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z)
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。