論文の概要: Player Modeling using Behavioral Signals in Competitive Online Games
- arxiv url: http://arxiv.org/abs/2112.04379v1
- Date: Mon, 29 Nov 2021 22:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 15:20:20.434978
- Title: Player Modeling using Behavioral Signals in Competitive Online Games
- Title（参考訳）: 競技オンラインゲームにおける行動信号を用いたプレイヤーモデリング
- Authors: Arman Dehpanah, Muheeb Faizan Ghori, Jonathan Gemmell, Bamshad
Mobasher
- Abstract要約: 本稿では,マッチング作成のためのプレイヤーのモデリングにおいて,演奏行動の異なる側面に対処することの重要性に焦点をあてる。
75,000以上のバトルロイヤルマッチのデータセットからいくつかの行動特性を設計し、プレイヤーモデルを作成しました。
次に、作成したモデルを使用して、データ内のさまざまなプレイヤーのグループのランクを予測します。
- 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: Competitive online games use rating systems to match players with similar
skills to ensure a satisfying experience for players. In this paper, we focus
on the importance of addressing different aspects of playing behavior when
modeling players for creating match-ups. To this end, we engineer several
behavioral features from a dataset of over 75,000 battle royale matches and
create player models based on the retrieved features. We then use the created
models to predict ranks for different groups of players in the data. The
predicted ranks are compared to those of three popular rating systems. Our
results show the superiority of simple behavioral models over mainstream rating
systems. Some behavioral features provided accurate predictions for all groups
of players while others proved useful for certain groups of players. The
results of this study highlight the necessity of considering different aspects
of the player's behavior such as goals, strategy, and expertise when making
assignments.
- Abstract（参考訳）: 競争的なオンラインゲームは、プレイヤーが満足できる体験を確実にするために、同様のスキルを持つプレイヤーと対戦するためにレーティングシステムを使用する。
本稿では,マッチング作成のためのプレイヤーのモデリングにおいて,演奏行動の異なる側面に対処することの重要性に焦点を当てる。
この目的のために、我々は75,000以上のバトルロイヤルマッチのデータセットからいくつかの行動特徴を設計し、得られた特徴に基づいてプレイヤーモデルを作成する。
次に、作成したモデルを使用して、データ内のさまざまなプレイヤーのグループのランクを予測します。
予測順位は3つの人気格付けシステムと比較される。
本結果は,本格評価システムよりも単純な行動モデルの方が優れていることを示す。
いくつかの行動的特徴はプレイヤーの全てのグループに正確な予測を与え、一方あるプレイヤーのグループには有用であることが証明された。
本研究は,課題を立てる際に,ゴール,戦略,専門知識など,選手の行動の異なる側面を考える必要があることを強調した。
関連論文リスト
- All by Myself: Learning Individualized Competitive Behaviour with a
Contrastive Reinforcement Learning optimization [57.615269148301515]
競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。
本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。
我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-10-02T08:11:07Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。
提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
論文 参考訳（メタデータ） (2022-08-22T14:06:06Z) - 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) - WinoGAViL: Gamified Association Benchmark to Challenge
Vision-and-Language Models [91.92346150646007]
本研究では,視覚・言語関係を収集するオンラインゲームであるWinoGAViLを紹介する。
私たちはこのゲームを使って3.5Kのインスタンスを収集し、それらが人間には直感的だが最先端のAIモデルには挑戦的であることを発見した。
我々の分析とプレイヤーからのフィードバックは、収集された協会が多様な推論スキルを必要とすることを示している。
論文 参考訳（メタデータ） (2022-07-25T23:57:44Z) - 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) - Bayesian Learning of Play Styles in Multiplayer Video Games [0.0]
オンラインマルチプレイヤーゲームBattlefield 3の階層的ベイズ回帰手法を開発した。
私たちはバトルフィールド3プレーヤーのサンプルの中で共通のプレースタイルを発見します。
総合的なハイパフォーマンスを示すプレイヤーのグループと、特定のゲームタイプ、マップ、ロールで特によく演奏するプレイヤーのグループを見つけます。
論文 参考訳（メタデータ） (2021-12-14T14:48:24Z) - 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) - 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。