論文の概要: Graph Embedding Augmented Skill Rating System
- arxiv url: http://arxiv.org/abs/2304.08257v1
- Date: Mon, 17 Apr 2023 13:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 15:19:58.223219
- Title: Graph Embedding Augmented Skill Rating System
- Title（参考訳）: グラフ埋め込みによるスキル評価システム
- Authors: Jiasheng Wang
- Abstract要約: 本稿では,プレイヤーのゲームやイベントへの埋め込みを学習するためのフレームワークを提案する。
プレイヤーの埋め込みは、ランダムウォークベースのグラフ埋め込み法を用いて、スキルギャップグラフから学習される。
本論文の後半では,プレイヤーのスキル評価におけるプレイヤー埋め込みの応用として,グラフィックエロ(GElo)を導入している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a framework for learning player embeddings in competitive
games and events. Players and their win-loss relationships are modeled as a
skill gap graph, which is an undirected weighted graph. The player embeddings
are learned from the graph using a random walk-based graph embedding method and
can reflect the relative skill levels among players. Embeddings are
low-dimensional vector representations that can be conveniently applied to
subsequent tasks while still preserving the topological relationships in a
graph. In the latter part of this paper, Graphical Elo (GElo) is introduced as
an application of player embeddings when rating player skills. GElo is an
extension of the classic Elo rating system. It constructs a skill gap graph
based on player match histories and learns player embeddings from it.
Afterward, the rating scores that were calculated by Elo are adjusted according
to player activeness and cosine similarities among player embeddings. GElo can
be executed offline and in parallel, and it is non-intrusive to existing rating
systems. Experiments on public datasets show that GElo makes a more reliable
evaluation of player skill levels than vanilla Elo. The experimental results
suggest potential applications of player embeddings in competitive games and
events.
- Abstract（参考訳）: 本稿では,プレイヤーのゲームやイベントへの埋め込みを学習するためのフレームワークを提案する。
プレイヤーとその勝敗関係は、非方向重み付きグラフであるスキルギャップグラフとしてモデル化される。
プレイヤーの埋め込みはランダムなウォークベースのグラフ埋め込みメソッドを使ってグラフから学習され、プレイヤー間の相対的なスキルレベルを反映することができる。
埋め込みは、グラフ内の位相的関係を保ちながら、その後のタスクに便利に適用できる低次元ベクトル表現である。
本論文の後半では,プレイヤーのスキル評価におけるプレイヤー埋め込みの応用として,グラフィックエロ(GElo)を導入している。
GEloは古典的なElo格付けシステムの拡張である。
プレイヤーマッチング履歴に基づいてスキルギャップグラフを構築し、そこからプレイヤーの埋め込みを学ぶ。
その後、eloが算出した評価スコアはプレイヤーの活力やコサインの類似度に応じて調整される。
GEloはオフラインでも並列でも実行でき、既存のレーティングシステムでは邪魔にならない。
公開データセットの実験によると、GEloはバニラ・エロよりも選手のスキルレベルをより信頼性の高い評価をしている。
実験結果から,競技ゲームやイベントにおけるプレイヤー埋め込みの可能性が示唆された。
関連論文リスト
- Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。
GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。
研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
論文 参考訳（メタデータ） (2024-02-01T02:44:32Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。
基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
論文 参考訳（メタデータ） (2023-01-13T19:58:27Z) - 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) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - 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) - Learning to Identify Top Elo Ratings: A Dueling Bandits Approach [27.495132915328025]
我々は,Elo評価(トッププレイヤー)のサンプル効率を改善するために,効率的なオンラインマッチングスケジューリングアルゴリズムを提案する。
具体的には、上位プレイヤーをデュエルバンドフレームワークで識別し、Eloの勾配ベースの更新に合わせてバンディットアルゴリズムを調整する。
我々のアルゴリズムは、競合ラウンドの数で$tildeO(sqrtT)$, sublinearを保証しており、多次元エロ評価にまで拡張されている。
論文 参考訳（メタデータ） (2022-01-12T13:57:29Z) - 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) - Graphing else matters: exploiting aspect opinions and ratings in
explainable graph-based recommendations [66.83527496838937]
本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。
次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。
提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
論文 参考訳（メタデータ） (2021-07-07T13:57:28Z) - 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) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z)
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。