論文の概要: Predicting Personas Using Mechanic Frequencies and Game State Traces

• arxiv url: http://arxiv.org/abs/2203.13351v1
• Date: Thu, 24 Mar 2022 21:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-28 13:01:13.716609
• Title: Predicting Personas Using Mechanic Frequencies and Game State Traces
• Title（参考訳）: メカニック周波数とゲーム状態トレースを用いた人物予測
• Authors: Michael Cerny Green, Ahmed Khalifa, M Charity, Debosmita Bhaumik, and Julian Togelius
• Abstract要約: 本稿では,プレイヤーペルソナを推定する2つの手法を提案する。1つは正規教師付き学習とゲームメカニクスの集約尺度を用いて開始し,もう1つは密集したゲームプレイ観測のトレースに基づくシーケンス学習に基づく。 どちらの手法も、手続き的ペルソナと一致して定義されたプレイペルソナを予測する際に高い精度を達成するが、プレイヤー自身がアンケートを用いて定義したプレイスタイルを全く予測できない。
• 参考スコア（独自算出の注目度）: 5.39805879490346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate how to efficiently predict play personas based on playtraces. Play personas can be computed by calculating the action agreement ratio between a player and a generative model of playing behavior, a so-called procedural persona. But this is computationally expensive and assumes that appropriate procedural personas are readily available. We present two methods for estimating player persona, one using regular supervised learning and aggregate measures of game mechanics initiated, and another based on sequence learning on a trace of closely cropped gameplay observations. While both of these methods achieve high accuracy when predicting play personas defined by agreement with procedural personas, they utterly fail to predict play style as defined by the players themselves using a questionnaire. This interesting result highlights the value of using computational methods in defining play personas.
• Abstract（参考訳）: 本研究では,プレイトラスに基づいて効率よくプレイペルソナを予測する方法を検討する。 プレイペルソナは、プレイヤーとプレイ行動の生成モデル(いわゆる手続きペルソナ)との間のアクションアグリーメント比を計算することで計算することができる。 しかし、これは計算コストが高く、適切な手続き型ペルソナが容易に利用できると仮定する。 そこで,本研究では,ゲーム力学の規則的教師付き学習と集約尺度を用いてプレイヤーのペルソナを推定する方法と,クローズドなゲームプレイ観察の痕跡に基づくシーケンス学習法を提案する。 これら2つの手法は、手続き型ペルソナと一致して定義されたプレイペルソナを予測する際に高い精度を発揮するが、アンケートを用いてプレイヤー自身が定義したプレイスタイルを全く予測できない。 この興味深い結果は、プレイペルソナの定義に計算メソッドを使うことの価値を強調している。

関連論文リスト

• Offline Reinforcement Learning for Human-Guided Human-Machine Interaction with Private Information [110.42866062614912]
  個人情報を含む人間と機械の相互作用について検討する。 本ゲームでは,オフライン強化学習(RL)に注目した。 そこで我々は,新たな識別結果を開発し,それを用いて新たな非政治評価手法を提案する。
  論文  参考訳（メタデータ） (2022-12-23T06:26:44Z)
• 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)
• Personalized Game Difficulty Prediction Using Factorization Machines [0.9558392439655011]
  コンテンツレコメンデーションからの手法を借りて,ゲームレベルのパーソナライズした難易度推定に寄与する。 我々は、プレイヤーが将来のゲームレベルを通過させるのに必要な試行回数と、他のプレイヤーがプレイする以前のレベルの試行回数に基づいて、難易度を予測することができる。 この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学ぶことができる,有望なツールであることが示唆された。
  論文  参考訳（メタデータ） (2022-09-06T08:03:46Z)
• Detecting Individual Decision-Making Style: Exploring Behavioral Stylometry in Chess [4.793072503820555]
  チェスの文脈における行動スタイメトリーに対するトランスフォーマーに基づくアプローチを提案する。 本手法は,数発の分類フレームワークで動作し,数千人の候補選手の中から選手を正確に識別することができる。 我々は、チェスにおける人間のスタイルと潜在的な倫理的意味について、結果の埋め込みが明らかにするものをより広く検討する。
  論文  参考訳（メタデータ） (2022-08-02T11:18:16Z)
• Chain of Thought Imitation with Procedure Cloning [129.62135987416164]
  本稿では,一連の専門家計算を模倣するために,教師付きシーケンス予測を適用したプロシージャクローニングを提案する。 本研究では、専門家の行動の中間計算を模倣することで、プロシージャのクローン化により、未知の環境構成に顕著な一般化を示すポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-22T13:14:09Z)
• Towards Action Model Learning for Player Modeling [1.9659095632676098]
  プレイヤーモデリングは、ゲームにおけるプレイヤーの振る舞いを正確に近似する計算モデルを作ろうとする。 ほとんどのプレイヤーモデリング技術はドメイン知識に依存しており、ゲーム間で転送できない。 本稿では,アクションモデル学習(AML)を用いて,ドメインに依存しない方法でプレーヤモデルを学習する。
  論文  参考訳（メタデータ） (2021-03-09T19:32:30Z)
• 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)
• 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)
• Predicting Plans and Actions in Two-Player Repeated Games [1.7324358447544175]
  この研究は、繰り返しプレイゲームにおけるアクション、計画、意図を予測するアルゴリズムを導入する。 S# をモデルとして生成ベイズ的アプローチを構築し、2 × 2 の行列ゲームにおいてその関連性に協力することを学ぶ。
  論文  参考訳（メタデータ） (2020-04-26T21:03:28Z)
• On the interaction between supervision and self-play in emergent communication [82.290338507106]
  本研究は,2つのカテゴリの学習信号と,サンプル効率の向上を目標とする学習信号の関係について検討する。 人間のデータに基づく教師付き学習による初等訓練エージェントが,自己演奏が会話に優れていることが判明した。
  論文  参考訳（メタデータ） (2020-02-04T02:35:19Z)

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。