論文の概要: GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters

• arxiv url: http://arxiv.org/abs/2205.07060v1
• Date: Sat, 14 May 2022 13:33:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 04:08:57.912584
• Title: GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters
• Title（参考訳）: GAN-Aimbots: ファーストパーソンシューティングシューティングにおける機械学習の利用
• Authors: Anssi Kanervisto, Tomi Kinnunen, Ville Hautam\"aki
• Abstract要約: ゲーム開発者は不正行為を防止して、ゲームのセキュリティとユーザエクスペリエンスを改善することを目指している。 従来のソフトウェアベースの手法と統計システムは不正行為から保護することに成功している。 画像や音声などのコンテンツの自動生成の最近の進歩は、ビデオゲーム産業を脅かしている。
• 参考スコア（独自算出の注目度）: 15.770861074132135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Playing games with cheaters is not fun, and in a multi-billion-dollar video game industry with hundreds of millions of players, game developers aim to improve the security and, consequently, the user experience of their games by preventing cheating. Both traditional software-based methods and statistical systems have been successful in protecting against cheating, but recent advances in the automatic generation of content, such as images or speech, threaten the video game industry; they could be used to generate artificial gameplay indistinguishable from that of legitimate human players. To better understand this threat, we begin by reviewing the current state of multiplayer video game cheating, and then proceed to build a proof-of-concept method, GAN-Aimbot. By gathering data from various players in a first-person shooter game we show that the method improves players' performance while remaining hidden from automatic and manual protection mechanisms. By sharing this work we hope to raise awareness on this issue and encourage further research into protecting the gaming communities.
• Abstract（参考訳）: ゲーム開発者は、数億のプレイヤーを抱える数十億ドル規模のビデオゲーム業界では、セキュリティを改善し、その結果、不正行為を防止して、ゲームのユーザエクスペリエンスを向上させることを目指している。 従来のソフトウェアベースの手法と統計システムの両方が不正行為に対する防御に成功しているが、近年では画像や音声などのコンテンツの自動生成の進歩がビデオゲーム産業を脅かしている。 この脅威をよりよく理解するために、我々はマルチプレイヤービデオゲームの不正行為の現状をレビューし、続いて概念実証手法であるGAN-Aimbotの構築を進める。 本手法は,一対一のシューティングゲームにおいて,各種選手のデータを収集することにより,自動的・手動的保護機構から隠れたまま,選手のパフォーマンスを向上することを示す。 この作業を共有することで、この問題に対する意識を高め、ゲームコミュニティの保護に関するさらなる研究を奨励したいと考えています。

関連論文リスト

• Training Interactive Agent in Large FPS Game Map with Rule-enhanced Reinforcement Learning [10.637376058491224]
  我々はTencent Gamesが開発したオンラインマルチプレイヤー競争型3D FPSゲームであるArena BreakoutにおけるゲームAIの実践的展開に焦点を当てた。 本稿では,大規模なゲームマップ内で対話可能なゲームAIシステムとして,PMCA(Private Military Company Agent)を提案する。 現代の3D FPSゲームにおけるナビゲーションと戦闘の課題に対処するために,ナビゲーションメッシュ(Navmesh)とシューティングルールと深部強化学習(NSRL)を組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2024-10-07T11:27:45Z)
• Identify As A Human Does: A Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games [25.04499987558611]
  オンラインゲームでのティーティングは、ゲーム体験の完全性に重大な脅威をもたらす。 本稿では,人気ゲームCS:GOのためのサーバサイドFPSアンチチートフレームワークHAWKを提案する。
  論文  参考訳（メタデータ） (2024-09-23T09:00:07Z)
• Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
  戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。 従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。 その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:06:31Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• DanZero: Mastering GuanDan Game with Reinforcement Learning [121.93690719186412]
  カードゲームAIは、人工知能の研究において常にホットな話題となっている。 本稿では,より複雑なカードゲームであるGuanDanのためのAIプログラムの開発に専念する。 そこで我々は,強化学習技術を用いたGuanDanのためのAIプログラムDanZeroを提案する。
  論文  参考訳（メタデータ） (2022-10-31T06:29:08Z)
• 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)
• Robust Vision-Based Cheat Detection in Competitive Gaming [12.124621973070164]
  本稿では,フレームバッファの最終状態をキャプチャし,不正オーバーレイを検出するビジョンベースアプローチを提案する。 以上の結果から,機械学習によるロバストで効果的な解凍は実現可能であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T06:06:52Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• Benchmarking End-to-End Behavioural Cloning on Video Games [5.863352129133669]
  我々は,2010年以降の6ゲームを含む12のビデオゲームにおける行動クローンの一般適用性について検討した。 以上の結果から,これらのエージェントは生演奏では人間と一致しないが,基本力学やルールを学習できることがわかった。 また、データの質や、人間からのデータの記録が、人間の反射によって、状態-作用ミスマッチの対象になっていることを実証する。
  論文  参考訳（メタデータ） (2020-04-02T13:31:51Z)
• Provable Self-Play Algorithms for Competitive Reinforcement Learning [48.12602400021397]
  我々はマルコフゲームの設定の下で、競争力強化学習における自己プレイについて研究する。 自己再生アルゴリズムは、ゲームのT$ステップをプレイした後、後悔の$tildemathcalO(sqrtT)$を達成する。 また, 最悪の場合においても, 時間内に実行可能であることを保証し, 若干悪い後悔を招き, エクスプロイトスタイルのアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-02-10T18:44:50Z)

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。