論文の概要: Automatic Classification of Games using Support Vector Machine

• arxiv url: http://arxiv.org/abs/2105.05674v1
• Date: Wed, 12 May 2021 14:13:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 18:21:19.849632
• Title: Automatic Classification of Games using Support Vector Machine
• Title（参考訳）: サポートベクターマシンを用いたゲームの自動分類
• Authors: Ismo Horppu, Antti Nikander, Elif Buyukcan, Jere M\"akiniemi, Amin Sorkhei, Frederick Ayala-G\'omez
• Abstract要約: 予測はゲームの説明とタイトルに基づいています。 2443 iOS App Storeのゲームをデータセットとして使用して、ドキュメント期間マトリックスを生成します。 サポート Vector Machine 教師付き学習モデルは、事前処理されたデータに適合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Game developers benefit from availability of custom game genres when doing game market analysis. This information can help them to spot opportunities in market and make them more successful in planning a new game. In this paper we find good classifier for predicting category of a game. Prediction is based on description and title of a game. We use 2443 iOS App Store games as data set to generate a document-term matrix. To reduce the curse of dimensionality we use Latent Semantic Indexing, which, reduces the term dimension to approximately 1/9. Support Vector Machine supervised learning model is fit to pre-processed data. Model parameters are optimized using grid search and 20-fold cross validation. Best model yields to 77% mean accuracy or roughly 70% accuracy with 95% confidence. Developed classifier has been used in-house to assist games market research.
• Abstract（参考訳）: ゲーム開発者は、ゲームマーケット分析を行う際に、カスタムゲームジャンルの可用性の恩恵を受ける。 この情報は、市場における機会を見つけ、新しいゲームの計画をより成功させるのに役立つ。 本稿では,ゲームカテゴリーの予測に優れた分類器を求める。 予測はゲームの説明とタイトルに基づいている。 ドキュメントタームマトリックスを生成するために,2443のios app storeゲームをデータセットとして使用しています。 次元の呪いを減らすために、潜在意味インデクシングを使い、項次元をおよそ1/9に減らす。 サポートベクトルマシン 教師付き学習モデルは、事前処理されたデータに適合する。 モデルパラメータはグリッド検索と20倍のクロスバリデーションを使って最適化される。 最良のモデルは、平均精度77%、約70%、信頼度95%である。 ゲーム市場調査を支援するために,開発した分類器が社内で使用されている。

関連論文リスト

• CNN-based Game State Detection for a Foosball Table [1.612440288407791]
  フォスボールのゲームでは、コンパクトで包括的なゲーム状態の記述は、フィギュアの位置シフトと回転と、時間とともにボールの位置で構成される。 本稿では,フォスボールのゲーム状態を決定するフィギュア検出システムについて述べる。 このデータセットを使用して、畳み込みニューラルネットワーク(CNN)ベースのエンドツーエンド回帰モデルをトレーニングし、各ロッドの回転とシフトを予測する。
  論文  参考訳（メタデータ） (2024-04-08T09:48:02Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Betting the system: Using lineups to predict football scores [0.0]
  本稿では,決勝点におけるラインアップの役割を分析し,サッカーにおけるランダム性を低減することを目的とする。 サッカークラブはラインナップに数百万ドルを投資し、個々の統計がより良い結果にどのように変換するかを知ることで投資を最適化することができる。 スポーツの賭けは指数関数的に増加しており、将来を予測することは利益があり、望ましい。
  論文  参考訳（メタデータ） (2022-10-12T15:47:42Z)
• Exploring Target Representations for Masked Autoencoders [78.57196600585462]
  目的表現の注意深い選択は、よい表現を学ぶために不要であることを示す。 本研究では,多段階のマスク蒸留パイプラインを提案し,無作為なモデルを教師として利用する。 自己指導型自己指導法を非自明なマージンで上回り, 自己指導型教員(dBOT)によるマスク付き知識蒸留を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-09-08T16:55:19Z)
• Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
  本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。 我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
  論文  参考訳（メタデータ） (2022-06-14T23:56:03Z)
• Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for Robotic Bin-picking [98.5984733963713]
  コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。 我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。 このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
  論文  参考訳（メタデータ） (2022-04-14T15:54:01Z)
• AdaGrid: Adaptive Grid Search for Link Prediction Training Objective [58.79804082133998]
  トレーニングの目的は、モデルの性能と一般化能力に決定的に影響を及ぼす。 本稿では,訓練中にエッジメッセージの比率を動的に調整する適応グリッド探索(AdaGrid)を提案する。 AdaGridは、完全検索の9倍の時間効率を保ちながら、モデルの性能を1.9%まで向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-30T09:24:17Z)
• EigenGame Unloaded: When playing games is better than optimizing [19.522120239876486]
  EigenGameは、Eigen Decompositionを競争ゲームと見なしている。 我々は、最近提案されたEigenGameに基づいて、固有分解を競争ゲームとみなす。
  論文  参考訳（メタデータ） (2021-02-08T12:04:59Z)
• 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)
• Imagining Grounded Conceptual Representations from Perceptual Information in Situated Guessing Games [83.53942719040576]
  視覚的な推測ゲームでは、GuesserはOracleに質問することで、シーン内のターゲットオブジェクトを特定する必要がある。 既存のモデルは真のマルチモーダル表現を学ばず、訓練と推論の両方でシーン内のオブジェクトのゴールドカテゴリラベルに依存している。 本稿では,正規化オートエンコーダをベースとした新しい「想像」モジュールを提案する。
  論文  参考訳（メタデータ） (2020-11-05T15:42:29Z)
• Disentangling Controllable Object through Video Prediction Improves Visual Reinforcement Learning [82.25034245150582]
  多くの視覚に基づく強化学習問題において、エージェントは視野内の可動物体を制御する。 制御可能なオブジェクトを観測信号から切り離すためのエンドツーエンド学習フレームワークを提案する。 不整合表現は、RLがエージェントに追加の観察チャネルとして有用であることが示されている。
  論文  参考訳（メタデータ） (2020-02-21T05:43:34Z)

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。