論文の概要: Bayesian Learning of Play Styles in Multiplayer Video Games
- arxiv url: http://arxiv.org/abs/2112.07437v1
- Date: Tue, 14 Dec 2021 14:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 16:52:12.495059
- Title: Bayesian Learning of Play Styles in Multiplayer Video Games
- Title（参考訳）: マルチプレイヤーゲームにおけるプレイスタイルのベイズ学習
- Authors: Aline Normoyle and Shane T. Jensen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The complexity of game play in online multiplayer games has generated strong
interest in modeling the different play styles or strategies used by players
for success. We develop a hierarchical Bayesian regression approach for the
online multiplayer game Battlefield 3 where performance is modeled as a
function of the roles, game type, and map taken on by that player in each of
their matches. We use a Dirichlet process prior that enables the clustering of
players that have similar player-specific coefficients in our regression model,
which allows us to discover common play styles amongst our sample of
Battlefield 3 players. This Bayesian semi-parametric clustering approach has
several advantages: the number of common play styles do not need to be
specified, players can move between multiple clusters, and the resulting
groupings often have a straight-forward interpretations. We examine the most
common play styles among Battlefield 3 players in detail and find groups of
players that exhibit overall high performance, as well as groupings of players
that perform particularly well in specific game types, maps and roles. We are
also able to differentiate between players that are stable members of a
particular play style from hybrid players that exhibit multiple play styles
across their matches. Modeling this landscape of different play styles will aid
game developers in developing specialized tutorials for new participants as
well as improving the construction of complementary teams in their online
matching queues.
- Abstract（参考訳）: オンラインマルチプレイヤーゲームにおけるゲームプレイの複雑さは、プレイヤーが成功のために使用する様々なプレイスタイルや戦略をモデル化することへの強い関心を生み出した。
本研究では,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,各試合において,そのプレーヤが持つ役割,ゲームタイプ,マップの関数としてパフォーマンスをモデル化する。
我々はディリクレ・プロセスを用いて、回帰モデルに類似したプレイヤー固有係数を持つプレイヤーのクラスタリングを可能にし、バトルフィールド3プレイヤーのサンプルの中で共通のプレースタイルを発見することができる。
このベイズ的半パラメトリッククラスタリングアプローチにはいくつかの利点がある: 共通のプレースタイルの数を指定する必要がなく、プレイヤーは複数のクラスタ間を移動でき、その結果のグルーピングは直進的な解釈を持つことが多い。
バトルフィールド3のプレイヤーの中で最も一般的なプレースタイルを詳細に検討し、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る。
また、特定のプレイスタイルの安定したメンバーであるプレイヤーと、試合中に複数のプレイスタイルを示すハイブリッドプレイヤーを区別することができる。
さまざまなプレイスタイルのこの状況のモデリングは、ゲーム開発者が新しい参加者のための特別なチュートリアルを開発するのに役立ち、オンラインマッチングキューにおける補完チームの構築を改善するのに役立つ。
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) - 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) - Know your Enemy: Investigating Monte-Carlo Tree Search with Opponent
Models in Pommerman [14.668309037894586]
強化学習(Reinforcement Learning)と組み合わせて、モンテカルロ木探索(Monte-Carlo Tree Search)はChess、Shogi、Goといったゲームにおいて、人間のグランドマスターよりも優れていることを示した。
汎用マルチプレイヤーゲームからシングルプレイヤーゲームと2プレイヤーゲームに変換する手法について検討する。
論文 参考訳（メタデータ） (2023-05-22T16:39:20Z) - 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) - Characterizing player's playing styles based on Player Vectors for each
playing position in the Chinese Football Super League [2.8723936270730794]
サッカークラブにとって、スカウト、監視、試合の準備においてプレースタイルを特徴づけることが重要である。
以前の研究では、プレイヤーのスタイルは技術的なパフォーマンスの組み合わせと見なされ、空間的な情報を考慮できなかった。
本研究の目的は,中国サッカースーパーリーグ(CSL)の試合における各プレーポジションのプレースタイルを特徴付けることであり,近年採用されているプレーヤベクターズフレームワークを統合することである。
論文 参考訳（メタデータ） (2022-05-05T16:05:02Z) - 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) - Player Modeling using Behavioral Signals in Competitive Online Games [4.168733556014873]
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。
論文 参考訳（メタデータ） (2021-11-29T22:53:17Z) - Pick Your Battles: Interaction Graphs as Population-Level Objectives for
Strategic Diversity [49.68758494467258]
我々は、集団内の個人がどのように相互作用するかを慎重に構造化することで、多様なエージェントの集団を構築する方法について研究する。
我々のアプローチは,エージェント間の情報の流れを制御するインタラクショングラフに基づいている。
マルチエージェント・トレーニングにおける多様性の重要性を証明し,様々な相互作用グラフを適用したゲームにおけるトレーニング・トラジェクトリ,多様性,パフォーマンスに与える影響を解析する。
論文 参考訳（メタデータ） (2021-10-08T11:29:52Z) - 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)
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。