論文の概要: ELO System for Skat and Other Games of Chance

• arxiv url: http://arxiv.org/abs/2104.05422v1
• Date: Wed, 7 Apr 2021 08:30:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 19:41:50.878020
• Title: ELO System for Skat and Other Games of Chance
• Title（参考訳）: スケートやその他のチャンスゲームのためのELOシステム
• Authors: Stefan Edelkamp
• Abstract要約: ELOランキングシステムは、ゼロサムゲームにおけるプレイヤーの相対スキルレベルを計算する信頼できる方法であることが証明されています。 しかし、skatやbridgeのようなトリックテイクカードゲームにおけるプレイヤーの強さの評価は明らかではない。 これらの弱点を克服するための新しいELOシステムを提案します。
• 参考スコア（独自算出の注目度）: 1.3706331473063877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing the skill level of players to predict the outcome and to rank the players in a longer series of games is of critical importance for tournament play. Besides weaknesses, like an observed continuous inflation, through a steadily increasing playing body, the ELO ranking system, named after its creator Arpad Elo, has proven to be a reliable method for calculating the relative skill levels of players in zero-sum games. The evaluation of player strength in trick-taking card games like Skat or Bridge, however, is not obvious. Firstly, these are incomplete information partially observable games with more than one player, where opponent strength should influence the scoring as it does in existing ELO systems. Secondly, they are game of both skill and chance, so that besides the playing strength the outcome of a game also depends on the deal. Last but not least, there are internationally established scoring systems, in which the players are used to be evaluated, and to which ELO should align. Based on a tournament scoring system, we propose a new ELO system for Skat to overcome these weaknesses.
• Abstract（参考訳）: 成績を予測し、より長いゲームでプレイヤーをランク付けする選手のスキルレベルを評価することは、トーナメントプレーにおいて非常に重要である。 観測された連続的なインフレーションのような弱点に加えて、その作者のArpad Eloに因んで命名されたELOランキングシステムは、ゼロサムゲームにおけるプレイヤーの相対的なスキルレベルを計算するための信頼性の高い方法であることが証明されている。 しかし、skatやbridgeのようなトリックテイクカードゲームにおけるプレイヤーの強さの評価は明らかではない。 第一に、これらは複数のプレイヤーを持つ部分的に観測可能な不完全な情報であり、既存のELOシステムと同様に、相手の強みがスコアに影響を与える。 第2に、彼らはスキルとチャンスの両方のゲームであるため、プレイの強さに加えて、ゲームの結果も取引に依存する。 最後に重要なのは、プレーヤーが評価されるのに慣れ、eloが調整すべきスコアリングシステムが国際的に確立されていることだ。 トーナメントスコアシステムに基づいて,これらの弱点を克服するための新しいELOシステムを提案する。

関連論文リスト

• Leading the Pack: N-player Opponent Shaping [52.682734939786464]
  我々は、複数のコプレーヤと複数のシェーピングエージェントを含む環境に、対向型シェーピング(OS)メソッドを拡張します。 多数のコプレーヤでプレイすると,OSメソッドの相対的な性能が低下し,OSメソッドが動作しない可能性が示唆された。
  論文  参考訳（メタデータ） (2023-12-19T20:01:42Z)
• 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)
• 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)
• On the Limitations of Elo: Real-World Games, are Transitive, not Additive [13.334776744099285]
  Eloモデルはゲーム内の推移成分の強みを抽出できないことを示す。 本稿では,各プレイヤーに2つのスコアを割り当てるEloスコアの拡張を提案する。
  論文  参考訳（メタデータ） (2022-06-21T22:07:06Z)
• 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)
• Learning to Identify Top Elo Ratings: A Dueling Bandits Approach [27.495132915328025]
  我々は,Elo評価(トッププレイヤー)のサンプル効率を改善するために,効率的なオンラインマッチングスケジューリングアルゴリズムを提案する。 具体的には、上位プレイヤーをデュエルバンドフレームワークで識別し、Eloの勾配ベースの更新に合わせてバンディットアルゴリズムを調整する。 我々のアルゴリズムは、競合ラウンドの数で$tildeO(sqrtT)$, sublinearを保証しており、多次元エロ評価にまで拡張されている。
  論文  参考訳（メタデータ） (2022-01-12T13:57:29Z)
• Evaluating Team Skill Aggregation in Online Competitive Games [4.168733556014873]
  本稿では,2つの新しい集計手法が評価システムの予測性能に与える影響について分析する。 以上の結果から,テストケースの大部分において,MAX法が他の2手法よりも優れていることが示された。 本研究の結果は,チームのパフォーマンスを計算するために,より精巧な手法を考案する必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2021-06-21T20:17:36Z)
• Elo Ratings for Large Tournaments of Software Agents in Asymmetric Games [0.0]
  alphago zeroによる5185のレーティングのような、人間と同じeloスケールの人工知能エージェントを評価するのは自然である。 人間とAIの間には、システムの変更を提案する基本的な違いがいくつかある。 本稿では,これらの違いを反映したリフレッシュレーティングシステムとトーナメントのガイドラインを提案する。
  論文  参考訳（メタデータ） (2021-04-23T21:49:20Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• L2E: Learning to Exploit Your Opponent [66.66334543946672]
  本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。 本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-18T14:27:59Z)
• An Elo-like System for Massive Multiplayer Competitions [1.8782750537161612]
  参加者数の多いコンテストを対象とした新しいベイズ評価システムを提案する。 それは離散的なランク付けされたマッチの競争のフォーマットに広く適当です。 システムにはインセンティブが整い、すなわち、格付けを最大化しようとするプレイヤーは、決してパフォーマンスを損なうことはない。
  論文  参考訳（メタデータ） (2021-01-02T08:14:31Z)

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。