論文の概要: Bandit Modeling of Map Selection in Counter-Strike: Global Offensive

• arxiv url: http://arxiv.org/abs/2106.08888v1
• Date: Mon, 14 Jun 2021 23:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:41:00.937329
• Title: Bandit Modeling of Map Selection in Counter-Strike: Global Offensive
• Title（参考訳）: counter-strike: global offensiveにおける地図選択のバンディットモデル
• Authors: Guido Petri, Michael H. Stanley, Alec B. Hon, Alexander Dong, Peter Xenopoulos, Cl\'audio Silva
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many esports use a pick and ban process to define the parameters of a match before it starts. In Counter-Strike: Global Offensive (CSGO) matches, two teams first pick and ban maps, or virtual worlds, to play. Teams typically ban and pick maps based on a variety of factors, such as banning maps which they do not practice, or choosing maps based on the team's recent performance. We introduce a contextual bandit framework to tackle the problem of map selection in CSGO and to investigate teams' pick and ban decision-making. Using a data set of over 3,500 CSGO matches and over 25,000 map selection decisions, we consider different framings for the problem, different contexts, and different reward metrics. We find that teams have suboptimal map choice policies with respect to both picking and banning. We also define an approach for rewarding bans, which has not been explored in the bandit setting, and find that incorporating ban rewards improves model performance. Finally, we determine that usage of our model could improve teams' predicted map win probability by up to 11% and raise overall match win probabilities by 19.8% for evenly-matched teams.
• Abstract（参考訳）: 多くのeスポーツは、マッチの開始前にパラメータを定義するためにピック・アンド・バンプロセスを使用する。 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。 一般的にチームは、練習しないマップの禁止や、チームの最近のパフォーマンスに基づいたマップの選択など、さまざまな要因に基づいてマップを禁止・選択する。 我々は,csgoにおけるマップ選択の問題に対処し,チームの選択と意思決定の禁止を検討するためのコンテキストバンディットフレームワークを提案する。 3500以上のCSGOマッチと25,000以上のマップ選択決定のデータセットを使用して、問題に対する異なるフレーミング、異なるコンテキスト、異なる報酬メトリクスを検討します。 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,バンディット設定では検討されていないバンディット報酬のアプローチを定義し,バンディットを組み込むことでモデルパフォーマンスが向上することを示す。 最後に、このモデルを使用することで、予測したマップウィン確率を最大11%向上させ、均等にマッチしたチームでは全体のマッチウィン確率を19.8%向上させることができると判断した。

関連論文リスト

• Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
  我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。 課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。 我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-08-20T13:57:00Z)
• 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)
• 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)
• Prediction of IPL Match Outcome Using Machine Learning Techniques [0.0]
  インド・プレミアリーグ(英語: Indian Premier League、IPL)は、インドのサッカークラブである。 ライブストリーミング、ラジオ、テレビ放送など多くの要素がこのリーグをクリケットファンの間で人気を博した。 IPLマッチの結果を予測することは、オンライントレーダーやスポンサーにとって非常に重要である。
  論文  参考訳（メタデータ） (2021-09-30T09:45:34Z)
• 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)
• Which Heroes to Pick? Learning to Draft in MOBA Games with Neural Networks and Tree Search [33.23242783135013]
  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。
  論文  参考訳（メタデータ） (2020-12-18T11:19:00Z)
• Valuing Player Actions in Counter-Strike: Global Offensive [4.621805808537653]
  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。
  論文  参考訳（メタデータ） (2020-11-02T21:11:14Z)
• Predictive Bandits [68.8204255655161]
  我々は,予測的盗賊と呼ばれる,新たな盗賊問題を紹介し,研究する。 各ラウンドで、意思決定者はまず、特定の武器の報酬に関する情報を集めるかどうかを決定する。 意思決定者は、ラウンドで実際にプレイされる腕を選択する。
  論文  参考訳（メタデータ） (2020-04-02T17:12:33Z)

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。