論文の概要: Collusion Detection in Team-Based Multiplayer Games

• arxiv url: http://arxiv.org/abs/2203.05121v1
• Date: Thu, 10 Mar 2022 02:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 15:33:40.581338
• Title: Collusion Detection in Team-Based Multiplayer Games
• Title（参考訳）: チームベースマルチプレイヤーゲームにおけるコルーシオン検出
• Authors: Laura Greige, Fernando De Mesentier Silva, Meredith Trotter, Chris Lawrence, Peter Chin and Dilip Varadarajan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.153233321515984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of competitive multiplayer games, collusion happens when two or more teams decide to collaborate towards a common goal, with the intention of gaining an unfair advantage from this cooperation. The task of identifying colluders from the player population is however infeasible to game designers due to the sheer size of the player population. In this paper, we propose a system that detects colluding behaviors in team-based multiplayer games and highlights the players that most likely exhibit colluding behaviors. The game designers then proceed to analyze a smaller subset of players and decide what action to take. For this reason, it is important and necessary to be extremely careful with false positives when automating the detection. The proposed method analyzes the players' social relationships paired with their in-game behavioral patterns and, using tools from graph theory, infers a feature set that allows us to detect and measure the degree of collusion exhibited by each pair of players from opposing teams. We then automate the detection using Isolation Forest, an unsupervised learning technique specialized in highlighting outliers, and show the performance and efficiency of our approach on two real datasets, each with over 170,000 unique players and over 100,000 different matches.
• Abstract（参考訳）: 競合するマルチプレイヤーゲームでは、2つ以上のチームが共通の目標に向けて協力することを決めたときに、この協力から不公平な優位性を得る意図で衝突が起こる。 しかし、プレイヤー人口からコラーを識別する仕事は、プレイヤー人口の大きさのため、ゲームデザイナーにとって不可能である。 本稿では,チームベースのマルチプレイヤーゲームにおけるコルーディング動作を検知し,コルーディング動作の可能性が最も高いプレイヤーをハイライトするシステムを提案する。 ゲームデザイナーは、プレイヤーの小さなサブセットを分析して、どのアクションをとるかを決定する。 このため,検出の自動化には誤検出に対して極めて注意が必要である。 提案手法では,プレイヤーの社会的関係をゲーム内行動パターンと組み合わせて分析し,グラフ理論のツールを用いて,相手チームから各ペアの選手が提示する結束度を検出・測定できる特徴集合を推定する。 次に、外れ値の強調を専門とする教師なし学習手法であるIsolation Forestによる検出を自動化し、それぞれ170,000以上のユニークなプレーヤーと10万以上の異なるマッチを持つ2つの実際のデータセットに対して、アプローチのパフォーマンスと効率を示す。

関連論文リスト

• Adapting to Teammates in a Cooperative Language Game [1.082078800505043]
  本稿では,コードネームを再生するための適応エージェントを提案する。 私たちは、特定のチームメイトと対話する過程において、内部の専門家エージェントのどちらがベストマッチであるかを決定するために、アンサンブルアプローチを採用しています。 実験的な分析によると、このアンサンブルアプローチは個々のチームメイトに適応し、しばしばチームメイトにとって最高の内部エキスパートと同等に機能する。
  論文  参考訳（メタデータ） (2024-02-26T23:15:07Z)
• 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)
• Among Us: Adversarially Robust Collaborative Perception by Consensus [50.73128191202585]
  複数のロボットは、シーン(例えば物体)を個人よりも協調的に知覚することができる。 本稿では,未知の攻撃者に対して一般化可能な新しいサンプリングベース防衛戦略であるROBOSACを提案する。 自律運転シナリオにおける協調3次元物体検出の課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-16T17:15:25Z)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• 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)
• 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)
• 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)
• Self-Supervised Small Soccer Player Detection and Tracking [8.851964372308801]
  最先端のトラッキングアルゴリズムは、トレーニングされたシナリオで印象的な結果を得るが、サッカーの試合のような挑戦的なシナリオでは失敗する。 これは、しばしばプレイヤーの相対的なサイズが小さく、同じチームのプレイヤーに類似しているためである。 そこで本研究では,低解像度のサッカー選手を異なる記録条件下で検出・追跡できる自己教師型パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-11-20T10:57:18Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Cheating in online gaming spreads through observation and victimization [2.7739004171676904]
  オンラインマルチプレイヤーファーストパーソンシューティングゲームの100万試合以上における不正行為の拡散について検討した。 我々は、不正行為を観察し経験している人々にとって、社会的伝染は存在する可能性が高いことに気付きました。
  論文  参考訳（メタデータ） (2020-03-24T22:38:07Z)

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。