論文の概要: GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports

• arxiv url: http://arxiv.org/abs/2207.13191v1
• Date: Tue, 26 Jul 2022 21:38:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 14:05:24.678068
• Title: GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports
• Title（参考訳）: GCN-WP --Esportsの勝利予測のための半スーパービジョングラフ畳み込みネットワーク
• Authors: Alexander J. Bisberg and Emilio Ferrara
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 84.55775845090542
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Win prediction is crucial to understanding skill modeling, teamwork and matchmaking in esports. In this paper we propose GCN-WP, a semi-supervised win prediction model for esports based on graph convolutional networks. This model learns the structure of an esports league over the course of a season (1 year) and makes predictions on another similar league. This model integrates over 30 features about the match and players and employs graph convolution to classify games based on their neighborhood. Our model achieves state-of-the-art prediction accuracy when compared to machine learning or skill rating models for LoL. The framework is generalizable so it can easily be extended to other multiplayer online games.
• Abstract（参考訳）: ウィン予測は、eスポーツにおけるスキルモデリング、チームワーク、マッチメイキングを理解するのに不可欠です。 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の半教師付き勝利予測モデルGCN-WPを提案する。 このモデルはシーズン(1年)を通じてeスポーツリーグの構造を学習し、他の類似のリーグで予測する。 このモデルはマッチとプレーヤに関する30以上の特徴を統合し、近隣のゲームを分類するためにグラフ畳み込みを採用している。 このモデルは,lol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。 フレームワークは汎用化されており、他のマルチプレイヤーオンラインゲームにも簡単に拡張できる。

関連論文リスト

• Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
  IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
  論文  参考訳（メタデータ） (2024-03-30T08:02:16Z)
• Machine Learning in Sports: A Case Study on Using Explainable Models for Predicting Outcomes of Volleyball Matches [0.0]
  本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。 第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。 第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
  論文  参考訳（メタデータ） (2022-06-18T18:09:15Z)
• Action Recognition using Transfer Learning and Majority Voting for CSGO [0.6875312133832078]
  本論文は, 4つの異なる行動の正確な予測モデルを構築し, 5つの異なる伝達学習モデルと, 自己発達した深層ニューラルネットワークの性能を比較することを目的とする。 このモデルにより、HLTVのデータ収集の問題を解決するとともに、より多くのデータを収集・処理する自動システムの構築が容易になる。
  論文  参考訳（メタデータ） (2021-11-06T13:33:20Z)
• 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)
• 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)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)
• Competitive Balance in Team Sports Games [8.321949054700086]
  最終的なスコア差を用いることで,競争バランスの予測基準がさらに向上することを示す。 また、慎重に選択されたチームと個々の特徴に基づいて訓練された線形モデルが、より強力なニューラルネットワークモデルの性能をほぼ達成できることも示している。
  論文  参考訳（メタデータ） (2020-06-24T14:19:07Z)
• Descriptive and Predictive Analysis of Euroleague Basketball Games and the Wisdom of Basketball Crowds [0.0]
  本研究は,機械学習モデルを用いたユーロリーグ大会におけるバスケットボールの試合予測に焦点を当てた。 単純な機械学習モデルでは、テストセットで67%以上の精度が得られます。 我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
  論文  参考訳（メタデータ） (2020-02-19T22:04:29Z)

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。