論文の概要: Which Heroes to Pick? Learning to Draft in MOBA Games with Neural Networks and Tree Search

• arxiv url: http://arxiv.org/abs/2012.10171v1
• Date: Fri, 18 Dec 2020 11:19:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:16:47.489838
• Title: Which Heroes to Pick? Learning to Draft in MOBA Games with Neural Networks and Tree Search
• Title（参考訳）: どのヒーローを選ぶか? ニューラルネットワークと木探索によるMOBAゲームにおけるドラフト学習
• Authors: Sheng Chen, Menghui Zhu, Deheng Ye, Weinan Zhang, Qiang Fu, Wei Yang
• Abstract要約: 最先端のドラフト手法はMOBA 5v5マッチシリーズのマルチラウンドの性質を考慮できない。 JueWuDraftというニューラルネットワークとモンテカルロ木探索に基づく新規な起草アルゴリズムを提案する。 最先端のドラフト手法と比較して,JueWuDraftの実用性と有効性を示す。
• 参考スコア（独自算出の注目度）: 33.23242783135013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hero drafting is essential in MOBA game playing as it builds the team of each side and directly affects the match outcome. State-of-the-art drafting methods fail to consider: 1) drafting efficiency when the hero pool is expanded; 2) the multi-round nature of a MOBA 5v5 match series, i.e., two teams play best-of-N and the same hero is only allowed to be drafted once throughout the series. In this paper, we formulate the drafting process as a multi-round combinatorial game and propose a novel drafting algorithm based on neural networks and Monte-Carlo tree search, named JueWuDraft. Specifically, we design a long-term value estimation mechanism to handle the best-of-N drafting case. Taking Honor of Kings, one of the most popular MOBA games at present, as a running case, we demonstrate the practicality and effectiveness of JueWuDraft when compared to state-of-the-art drafting methods.
• Abstract（参考訳）: ヒーローのドラフトはMOBAゲームプレイにおいて不可欠であり、各サイドのチームを構築し、マッチ結果に直接影響を与える。 1)ヒーロープールが拡張されたときのドラフト効率、2)MOBA 5v5マッチシリーズのマルチラウンドの性質、すなわち2つのチームがベスト・オブ・Nをプレーし、同じヒーローがシリーズ全体を通して1回だけドラフトされる。 本稿では,複数ラウンドの組合せゲームとしてドラフト処理を定式化し,ニューラルネットワークとモンテカルロ木探索に基づく新しいドラフトアルゴリズムであるJueWuDraftを提案する。 具体的には,Nの最良の起案事例を扱うための長期値推定機構を設計する。 現在最も人気のあるMOBAゲームの一つであるHonor of Kingsをランニングケースとして、JueWuDraftの最先端のドラフト手法と比較して実用性と有効性を示す。

関連論文リスト

• Know your Enemy: Investigating Monte-Carlo Tree Search with Opponent Models in Pommerman [14.668309037894586]
  強化学習(Reinforcement Learning)と組み合わせて、モンテカルロ木探索(Monte-Carlo Tree Search)はChess、Shogi、Goといったゲームにおいて、人間のグランドマスターよりも優れていることを示した。 汎用マルチプレイヤーゲームからシングルプレイヤーゲームと2プレイヤーゲームに変換する手法について検討する。
  論文  参考訳（メタデータ） (2023-05-22T16:39:20Z)
• 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)
• DraftRec: Personalized Draft Recommendation for Winning in Multi-Player Online Battle Arena Games [25.615312782084455]
  本稿では,マルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームのためのパーソナライズされたキャラクターレコメンデーションシステムを提案する。 本稿では,各プレイヤーのチャンピオン選好とプレイヤー間の相互作用を考慮し,キャラクターを推薦する新しい階層モデルであるDraftRecを提案する。 私たちは、手作業で集めた280,000試合のレジェンドと、一般公開されている5万試合のDota2からモデルをトレーニングし、評価します。
  論文  参考訳（メタデータ） (2022-04-27T07:46:17Z)
• Sequential Item Recommendation in the MOBA Game Dota 2 [64.8963467704218]
  本研究では,Dota 2における購入勧告の文脈における逐次項目推薦(SIR)モデルの適用可能性について検討する。 以上の結果から,購入順序を考慮したモデルが最も有効であることが示唆された。 他のドメインとは対照的に、我々は最新のTransformerベースのアーキテクチャをDota-350kで上回るRNNベースのモデルを見つけました。
  論文  参考訳（メタデータ） (2022-01-17T14:19:17Z)
• Using Machine Learning to Predict Game Outcomes Based on Player-Champion Experience in League of Legends [0.13124513975412253]
  本稿では,リーグ・オブ・レジェンド(LoL)ゲームにおいて,プレイヤーが選択したチャンピオンに対して経験した経験に基づいてゲーム結果を予測する手法を提案する。 ディープニューラルネットワークを用いて、すべてのプレイヤーがチャンピオンを選択した後、ゲームの結果を75.1%の精度で予測できることを発見した。
  論文  参考訳（メタデータ） (2021-08-05T18:03:03Z)
• 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)
• The Dota 2 Bot Competition [0.0]
  本稿では、Dota 2 BotコンペティションとそれをサポートするDota 2 AIフレームワークについて詳しく説明します。 この挑戦はmobisとai/ciの両方のゲームコンペに参加し、参加者にmoba textit defense of the ancients 2(dota2)のaiコントローラーを1v1でプレイするよう促す。
  論文  参考訳（メタデータ） (2021-03-04T10:49:47Z)
• Towards Playing Full MOBA Games with Deep Reinforcement Learning [34.153341961273554]
  MOBAゲーム(Honor of Kings、League of Legends、Dota 2など)はAIシステムに大きな課題をもたらす。 そこで本研究では,MOBAAI学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-11-25T12:52:33Z)
• TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and Competition for AI [62.997667081978825]
  TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。 ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:56Z)
• 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)

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。