Fugu-MT 論文翻訳(概要): Merging Knockout and Round-Robin Tournaments: A Flexible Linear Elimination Tournament Design

論文の概要: Merging Knockout and Round-Robin Tournaments: A Flexible Linear Elimination Tournament Design

arxiv url: http://arxiv.org/abs/2203.12011v1
Date: Tue, 22 Mar 2022 19:36:40 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 14:35:12.837850
Title: Merging Knockout and Round-Robin Tournaments: A Flexible Linear Elimination Tournament Design
Title（参考訳）: ノックアウトとラウンドロビントーナメントの融合:フレキシブルリニア除去トーナメントデザイン
Authors: Kaan Gokcesu, Hakan Gokcesu
Abstract要約: 本稿では,人気のあるノックアウトトーナメントとラウンドロビントーナメントを組み合わせた新しいトーナメント構造を提案する。分断的排除と排除の極端さとは対照的に,我々のトーナメントは,参加者をできるだけ直線的に排除することを目的としている。
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: We propose a new tournament structure that combines the popular knockout tournaments and the round-robin tournaments. As opposed to the extremes of divisive elimination and no elimination, our tournament aims to eliminate the participants as linearly as possible as a form of subtractive elimination. Our design is flexible in the sense that it can be adapted to any number of players $N$ and any number of matches $M$. Our design satisfies many properties that are desirable for a tournament to select a winner and can be adapted to rank all the participating players.
Abstract（参考訳）: 我々は,人気のノックアウトトーナメントとラウンドロビントーナメントを組み合わせた新しいトーナメント構造を提案する。分断的排除の極端さとは対照的に,我々のトーナメントは,減算的排除の一形態として,参加者をできるだけ直線的に排除することを目的としている。私たちのデザインは、任意の数のプレーヤーに$N$で、任意の数のマッチに$M$で適応できるという意味で柔軟です。我々のデザインは、トーナメントが勝者を選ぶのに望ましい多くの特性を満足し、参加選手のランク付けに適応できる。

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)
Parameterized Analysis of Bribery in Challenge the Champ Tournaments [8.616793249732263]
本研究では,初期チャンプに対する勝利確率を低くするために,選手を賄うことができる環境について検討する。ゴールは、他の選手を刺してトーナメントに勝った最初のシャンプの確率を最大にすることであり、贈賄の予算を超えないことである。プレイヤー数によってパラメータ化される場合、問題はNP-hard と W[1]-hard に弱いことが示される。
論文参考訳（メタデータ） (2024-03-26T10:53:25Z)
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)
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)
DraftRec: Personalized Draft Recommendation for Winning in Multi-Player Online Battle Arena Games [25.615312782084455]
本稿では,マルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームのためのパーソナライズされたキャラクターレコメンデーションシステムを提案する。本稿では,各プレイヤーのチャンピオン選好とプレイヤー間の相互作用を考慮し,キャラクターを推薦する新しい階層モデルであるDraftRecを提案する。私たちは、手作業で集めた280,000試合のレジェンドと、一般公開されている5万試合のDota2からモデルをトレーニングし、評価します。
論文参考訳（メタデータ） (2022-04-27T07:46:17Z)
A Theory of Tournament Representations [4.969254618158096]
我々はパラメトリックトーナメント表現を理解するための新しい理論を開発した。私たちの最初の貢献は、$d$次元表現から生じるトーナメントのクラスを構造的に特徴づけることです。さらに2ドルのトーナメントは、関連する禁止されたフリップクラスがわずか2ドルのトーナメントを含むことを示すことで、完全にランク付けします。
論文参考訳（メタデータ） (2021-10-06T09:08:00Z)
Bandit Modeling of Map Selection in Counter-Strike: Global Offensive [55.41644538483948]
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。
論文参考訳（メタデータ） (2021-06-14T23:47:36Z)
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)
L2E: Learning to Exploit Your Opponent [66.66334543946672]
本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-18T14:27:59Z)
A quest for a fair schedule: The Young Physicists' Tournament [0.0]
ヤング・フィジスト・トーナメント(Young Physicists Tournament)は、37か国から5大陸の高校生の間で開催される、チーム指向の科学コンペティションである。主催者の任務は、各チームが選択した問題のそれぞれを正確に1回だけ提示し、1回の戦闘で何の問題も提示しないように、戦闘の構成を選択することである。両部グラフに適切なエッジカラー化を構築することにより,その一部は確実に実現可能であることを示す。
論文参考訳（メタデータ） (2020-06-03T11:45:06Z)
Query Complexity of Tournament Solutions [12.192470787877594]
我々は、コペランド集合、スレーター集合、マルコフ集合、バイパルチザン集合、未発見集合、バンクス集合、および最上位サイクルを見つけるアルゴリズムが、最悪の場合、$Omega(n2)$ edgesを問う必要があることを示す。肯定的な面では、入力トーナメントの上位サイクルのサイズが最大で1kドルであれば、上記のすべてのトーナメントソリューションが見つかることを証明して、クエリの複雑さを低く抑えることができる。
論文参考訳（メタデータ） (2016-11-18T18:19:32Z)

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。