論文の概要: Action2Score: An Embedding Approach To Score Player Action

• arxiv url: http://arxiv.org/abs/2207.10297v1
• Date: Thu, 21 Jul 2022 04:23:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:24:06.748378
• Title: Action2Score: An Embedding Approach To Score Player Action
• Title（参考訳）: Action2Score: Score Player Actionへの埋め込みアプローチ
• Authors: Junho Jang, Ji Young Woo, Huy Kang Kim
• Abstract要約: ほとんどのマルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームでは、プレイヤーのランクは試合結果(勝敗)によって決定される。 本稿では,選手のアクションを,各アクションのチーム勝利への貢献に基づいて定量的スコアに変換する新しい埋め込みモデルを提案する。 我々のモデルは、チームマッチで機能する新しい損失関数を持つシーケンスベースのディープラーニングモデルを用いて構築されている。
• 参考スコア（独自算出の注目度）: 4.383011485317949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiplayer Online Battle Arena (MOBA) is one of the most successful game genres. MOBA games such as League of Legends have competitive environments where players race for their rank. In most MOBA games, a player's rank is determined by the match result (win or lose). It seems natural because of the nature of team play, but in some sense, it is unfair because the players who put a lot of effort lose their rank just in case of loss and some players even get free-ride on teammates' efforts in case of a win. To reduce the side-effects of the team-based ranking system and evaluate a player's performance impartially, we propose a novel embedding model that converts a player's actions into quantitative scores based on the actions' respective contribution to the team's victory. Our model is built using a sequence-based deep learning model with a novel loss function working on the team match. The sequence-based deep learning model process the action sequence from the game start to the end of a player in a team play using a GRU unit that takes a hidden state from the previous step and the current input selectively. The loss function is designed to help the action score to reflect the final score and the success of the team. We showed that our model can evaluate a player's individual performance fairly and analyze the contributions of the player's respective actions.
• Abstract（参考訳）: マルチプレイヤーオンラインバトルアリーナ(MOBA)は最も成功したゲームジャンルの一つである。 リーグ・オブ・レジェンドのようなMOBAゲームは、プレイヤーがランクを競う競争環境がある。 ほとんどのMOBAゲームでは、プレイヤーのランクは試合結果(勝敗)によって決定される。 チームプレイの性質上、自然なように思えるが、ある意味では、多くの努力をした選手が負けた場合にランクを失い、勝利した場合はチームメイトの努力に自由参加する選手さえいるため、不公平である。 チームベースのランキングシステムの副作用を低減し、プレイヤーのパフォーマンスを公平に評価するために、プレイヤーのアクションをチームの勝利に対する各アクションの貢献に基づいて定量的スコアに変換する新しい埋め込みモデルを提案する。 我々のモデルは、チームマッチで動く新しい損失関数を持つシーケンスベースのディープラーニングモデルを用いて構築されている。 シークエンスベースのディープラーニングモデルは、前ステップと現在の入力とから隠れ状態を取るGRUユニットを用いて、チームプレイ中のプレーヤの開始から終了までのアクションシーケンスを選択的に処理する。 損失関数は、最終スコアとチームの成功を反映するアクションスコアを支援するように設計されている。 本モデルでは,選手の個人的パフォーマンスを公平に評価し,各選手の行動の貢献度を解析できることを示した。

関連論文リスト

• CUPID: Improving Battle Fairness and Position Satisfaction in Online MOBA Games with a Re-matchmaking System [38.36310386543932]
  CUPIDは、フェアネスとプレイヤーの満足度の両方を改善するために、チームとポジションの割り当てを最適化することを目的としている。 マッチング品質の最小レベルを確保するために、事前フィルタリングのステップを組み込んだ後、事前マッチの勝利率予測モデルが続く。 CUPIDの有効性を検証するために、2つの大規模な実世界のMOBAデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-06-28T08:09:55Z)
• 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)
• 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)
• Behavioral Player Rating in Competitive Online Shooter Games [3.203973145772361]
  本稿では,ゲーム内統計学からモデルプレイヤへのいくつかの特徴を設計し,その振る舞いと真のパフォーマンスレベルを正確に表現するレーティングを作成する。 その結果, 動作評価は, 生成した表現の解釈可能性を維持しつつ, より正確な性能評価を示すことがわかった。 プレイヤーのプレイ行動の異なる側面を考慮し、マッチメイキングに行動評価を使用すると、プレイヤーのゴールや関心とより一致したマッチアップにつながる可能性がある。
  論文  参考訳（メタデータ） (2022-07-01T16:23:01Z)
• 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)
• 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)
• 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)
• TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and Competition for AI [62.997667081978825]
  TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。 ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:56Z)
• 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)

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。