論文の概要: QuickSkill: Novice Skill Estimation in Online Multiplayer Games
- arxiv url: http://arxiv.org/abs/2208.07704v1
- Date: Mon, 15 Aug 2022 11:59:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:50:35.709284
- Title: QuickSkill: Novice Skill Estimation in Online Multiplayer Games
- Title（参考訳）: QuickSkill: オンラインマルチプレイヤーゲームにおける初心者スキル推定
- Authors: Chaoyun Zhang, Kai Wang, Hao Chen, Ge Fan, Yingjie Li, Lifang Wu,
Bingchao Zheng
- Abstract要約: 現在のマッチメイキングレーティングアルゴリズムは、新しいプレイヤーの真のスキルを学ぶために、かなりの量のゲームを必要とする。
これはマッチングレーティングアルゴリズムの'コールドスタート'問題として知られている。
本稿では,ディープラーニングに基づく初心者スキル推定フレームワークQuickSKillを提案する。
- 参考スコア（独自算出の注目度）: 19.364132825629465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Matchmaking systems are vital for creating fair matches in online multiplayer
games, which directly affects players' satisfactions and game experience. Most
of the matchmaking systems largely rely on precise estimation of players' game
skills to construct equitable games. However, the skill rating of a novice is
usually inaccurate, as current matchmaking rating algorithms require
considerable amount of games for learning the true skill of a new player. Using
these unreliable skill scores at early stages for matchmaking usually leads to
disparities in terms of team performance, which causes negative game
experience. This is known as the ''cold-start'' problem for matchmaking rating
algorithms.
To overcome this conundrum, this paper proposes QuickSKill, a deep learning
based novice skill estimation framework to quickly probe abilities of new
players in online multiplayer games. QuickSKill extracts sequential performance
features from initial few games of a player to predict his/her future skill
rating with a dedicated neural network, thus delivering accurate skill
estimation at the player's early game stage. By employing QuickSKill for
matchmaking, game fairness can be dramatically improved in the initial
cold-start period. We conduct experiments in a popular mobile multiplayer game
in both offline and online scenarios. Results obtained with two real-world
anonymized gaming datasets demonstrate that proposed QuickSKill delivers
precise estimation of game skills for novices, leading to significantly lower
team skill disparities and better player game experience. To the best of our
knowledge, proposed QuickSKill is the first framework that tackles the
cold-start problem for traditional skill rating algorithms.
- Abstract（参考訳）: 対戦システムはオンラインマルチプレイヤーゲームにおいてフェアマッチを作成する上で不可欠であり、プレイヤーの満足度やゲーム体験に直接影響を及ぼす。
マッチメイキングシステムの多くは、プレーヤのゲームスキルを正確に見積もることに大きく依存している。
しかし、現在のマッチングレーティングアルゴリズムは、新しいプレイヤーの真のスキルを学ぶのにかなりの量のゲームを必要とするため、初心者のスキルレーティングは通常不正確である。
これらの信頼できないスキルスコアをマッチメイキングの初期段階で使用すると、通常、チームのパフォーマンスの差が生じ、ネガティブなゲーム経験が引き起こされる。
これはマッチング評価アルゴリズムの'コールドスタート'問題として知られている。
そこで本研究では,オンラインマルチプレイヤーゲームにおける新たなプレイヤーの能力を素早く探究するための,ディープラーニングに基づく初心者スキル推定フレームワークQuickSKillを提案する。
quickskillは、プレイヤーの初期の数ゲームからシーケンシャルなパフォーマンス特徴を抽出し、専用のニューラルネットワークで将来のスキル評価を予測し、プレイヤーの初期のゲーム段階で正確なスキル推定を提供する。
マッチメイキングにQuickSKillを用いることで、初期冷間開始時にゲームフェアネスを劇的に向上させることができる。
我々はオフラインとオンラインの両方のシナリオで人気のあるモバイルマルチプレイヤーゲームで実験を行う。
2つの実世界の匿名化されたゲームデータセットで得られた結果は、提案するquickskillが初心者に正確なゲームスキルを推定し、チームのスキル格差が著しく減少し、プレイヤーのゲーム経験が向上することを示している。
我々の知る限りでは、QuickSKillは従来のスキル評価アルゴリズムのコールドスタート問題に対処する最初のフレームワークである。
関連論文リスト
- Skill Issues: An Analysis of CS:GO Skill Rating Systems [0.24578723416255746]
Elo、Glicko2、TrueSkillは代理モデリングのレンズを通して研究されている。
我々は、全体的な性能とデータ効率を考察し、Counter-Strike: Global Offensive Matchの大規模なデータセットに基づいて感度分析を行う。
論文 参考訳（メタデータ） (2024-10-01T23:19:31Z) - People use fast, goal-directed simulation to reason about novel games [75.25089384921557]
我々は,シンプルだが斬新なコネクテッドnスタイルのボードゲームについて,人々がどう考えるかを研究する。
ゲームがどんなに公平か、そしてどんなに楽しいのかを、ごくわずかな経験から判断するよう、私たちは人々に求めます。
論文 参考訳（メタデータ） (2024-07-19T07:59:04Z) - 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) - Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。
本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
論文 参考訳（メタデータ） (2024-01-10T12:56:24Z) - 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) - 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) - Evaluating Team Skill Aggregation in Online Competitive Games [4.168733556014873]
本稿では,2つの新しい集計手法が評価システムの予測性能に与える影響について分析する。
以上の結果から,テストケースの大部分において,MAX法が他の2手法よりも優れていることが示された。
本研究の結果は,チームのパフォーマンスを計算するために,より精巧な手法を考案する必要性を浮き彫りにした。
論文 参考訳（メタデータ） (2021-06-21T20:17:36Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - 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) - 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) - Efficient exploration of zero-sum stochastic games [83.28949556413717]
ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。
限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。
私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
論文 参考訳（メタデータ） (2020-02-24T20:30:38Z)
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。