論文の概要: Evaluating Team Skill Aggregation in Online Competitive Games
- arxiv url: http://arxiv.org/abs/2106.11397v1
- Date: Mon, 21 Jun 2021 20:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 15:00:37.134501
- Title: Evaluating Team Skill Aggregation in Online Competitive Games
- Title（参考訳）: オンライン競技におけるチームスキルアグリゲーションの評価
- Authors: Arman Dehpanah, Muheeb Faizan Ghori, Jonathan Gemmell, Bamshad
Mobasher
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.168733556014873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main goals of online competitive games is increasing player
engagement by ensuring fair matches. These games use rating systems for
creating balanced match-ups. Rating systems leverage statistical estimation to
rate players' skills and use skill ratings to predict rank before matching
players. Skill ratings of individual players can be aggregated to compute the
skill level of a team. While research often aims to improve the accuracy of
skill estimation and fairness of match-ups, less attention has been given to
how the skill level of a team is calculated from the skill level of its
members. In this paper, we propose two new aggregation methods and compare them
with a standard approach extensively used in the research literature. We
present an exhaustive analysis of the impact of these methods on the predictive
performance of rating systems. We perform our experiments using three popular
rating systems, Elo, Glicko, and TrueSkill, on three real-world datasets
including over 100,000 battle royale and head-to-head matches. Our evaluations
show the superiority of the MAX method over the other two methods in the
majority of the tested cases, implying that the overall performance of a team
is best determined by the performance of its most skilled member. The results
of this study highlight the necessity of devising more elaborated methods for
calculating a team's performance -- methods covering different aspects of
players' behavior such as skills, strategy, or goals.
- Abstract（参考訳）: オンライン競争ゲームの主な目標の1つは、公正な試合を保証することでプレイヤーのエンゲージメントを高めることである。
これらのゲームはバランスのとれたマッチアップを作成するためにレーティングシステムを使用する。
レーティングシステムは、統計的推定を利用してプレイヤーのスキルを評価し、スキルレーティングを使用してプレイヤーのランクを予測する。
個々の選手のスキル評価は、チームのスキルレベルを計算するために集計することができる。
研究はしばしば、スキル推定の精度とマッチアップの公平性を改善することを目的としているが、チームのスキルレベルがメンバーのスキルレベルからどのように計算されるかについては、あまり注目されていない。
本稿では,2つの新しい集計法を提案し,研究文献で広く用いられている標準手法と比較する。
本稿では,これらの手法が評価システムの予測性能に与える影響を網羅的に分析する。
elo,glicko,trueskillという3つの人気評価システムを用いて,10万以上のバトルロイヤルとヘッドツーヘッドマッチを含む3つの実世界データセットで実験を行った。
評価の結果,テストケースの大部分ではMAX法が他の2手法よりも優れていることが示され,チーム全体のパフォーマンスは最も熟練したメンバーのパフォーマンスによって決定されることが示された。
本研究の結果は,スキルや戦略,目標といった選手の行動のさまざまな側面をカバーする,チームのパフォーマンスを計算するための,より精巧な手法を考案する必要性を強調した。
関連論文リスト
- Skill Issues: An Analysis of CS:GO Skill Rating Systems [0.24578723416255746]
Elo、Glicko2、TrueSkillは代理モデリングのレンズを通して研究されている。
我々は、全体的な性能とデータ効率を考察し、Counter-Strike: Global Offensive Matchの大規模なデータセットに基づいて感度分析を行う。
論文 参考訳（メタデータ） (2024-10-01T23:19:31Z) - ApproxED: Approximate exploitability descent via learned best responses [61.17702187957206]
連続的なアクションセットを持つゲームの近似的ナッシュ均衡を求める問題について検討する。
本稿では,戦略プロファイルに対するエクスプロイラビリティの近似を最小化する2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-01-20T23:55:30Z) - A Tale of HodgeRank and Spectral Method: Target Attack Against Rank
Aggregation Is the Fixed Point of Adversarial Game [153.74942025516853]
ランクアグリゲーション手法の本質的な脆弱性は文献ではよく研究されていない。
本稿では,ペアデータの変更による集計結果の指定を希望する目的のある敵に焦点をあてる。
提案した標的攻撃戦略の有効性は,一連の玩具シミュレーションと実世界のデータ実験によって実証された。
論文 参考訳（メタデータ） (2022-09-13T05:59:02Z) - QuickSkill: Novice Skill Estimation in Online Multiplayer Games [19.364132825629465]
現在のマッチメイキングレーティングアルゴリズムは、新しいプレイヤーの真のスキルを学ぶために、かなりの量のゲームを必要とする。
これはマッチングレーティングアルゴリズムの'コールドスタート'問題として知られている。
本稿では,ディープラーニングに基づく初心者スキル推定フレームワークQuickSKillを提案する。
論文 参考訳（メタデータ） (2022-08-15T11:59:05Z) - Behavioral Player Rating in Competitive Online Shooter Games [3.203973145772361]
本稿では,ゲーム内統計学からモデルプレイヤへのいくつかの特徴を設計し,その振る舞いと真のパフォーマンスレベルを正確に表現するレーティングを作成する。
その結果, 動作評価は, 生成した表現の解釈可能性を維持しつつ, より正確な性能評価を示すことがわかった。
プレイヤーのプレイ行動の異なる側面を考慮し、マッチメイキングに行動評価を使用すると、プレイヤーのゴールや関心とより一致したマッチアップにつながる可能性がある。
論文 参考訳（メタデータ） (2022-07-01T16:23:01Z) - 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) - The Evaluation of Rating Systems in Team-based Battle Royale Games [4.168733556014873]
本稿では,25,000人以上のチームバトルロイヤルマッチのリアルタイムデータセット上で,3つの人気評価システムを評価するためのいくつかの指標の有用性について検討する。
正規化割引累積ゲイン (NDCG) は信頼性が高く, 柔軟性が高かった。
論文 参考訳（メタデータ） (2021-05-28T19:22:07Z) - An Empirical Study on the Generalization Power of Neural Representations
Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。
提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文 参考訳（メタデータ） (2021-01-31T10:30:48Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - Competitive Balance in Team Sports Games [8.321949054700086]
最終的なスコア差を用いることで,競争バランスの予測基準がさらに向上することを示す。
また、慎重に選択されたチームと個々の特徴に基づいて訓練された線形モデルが、より強力なニューラルネットワークモデルの性能をほぼ達成できることも示している。
論文 参考訳（メタデータ） (2020-06-24T14:19:07Z) - Learning from Learners: Adapting Reinforcement Learning Agents to be
Competitive in a Card Game [71.24825724518847]
本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。
本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
論文 参考訳（メタデータ） (2020-04-08T14:11:05Z)
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。