Fugu-MT 論文翻訳(概要): Skill Issues: An Analysis of CS:GO Skill Rating Systems

論文の概要: Skill Issues: An Analysis of CS:GO Skill Rating Systems

arxiv url: http://arxiv.org/abs/2410.02831v1
Date: Tue, 1 Oct 2024 23:19:31 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 05:24:53.689039
Title: Skill Issues: An Analysis of CS:GO Skill Rating Systems
Title（参考訳）: スキル問題:CS:GOスキルレーティングシステムの解析
Authors: Mikel Bober-Irizar, Naunidh Dua, Max McGuinness,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.24578723416255746
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The meteoric rise of online games has created a need for accurate skill rating systems for tracking improvement and fair matchmaking. Although many skill rating systems are deployed, with various theoretical foundations, less work has been done at analysing the real-world performance of these algorithms. In this paper, we perform an empirical analysis of Elo, Glicko2 and TrueSkill through the lens of surrogate modelling, where skill ratings influence future matchmaking with a configurable acquisition function. We look both at overall performance and data efficiency, and perform a sensitivity analysis based on a large dataset of Counter-Strike: Global Offensive matches.
Abstract（参考訳）: オンラインゲームの普及は、改善と公正なマッチメイキングを追跡するための正確なスキルレーティングシステムの必要性を生み出した。多くのスキルレーティングシステムがデプロイされているが、様々な理論的基礎があるため、これらのアルゴリズムの実際の性能を分析する作業は少ない。本稿では,サロゲートモデリングのレンズを用いて,Elo,Glicko2,TrueSkillの実証分析を行い,スキル評価が将来のマッチング機能と構成可能な獲得機能に影響を及ぼすことを示す。我々は、全体的なパフォーマンス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。

関連論文リスト

Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文参考訳（メタデータ） (2023-03-17T01:13:18Z)
QuickSkill: Novice Skill Estimation in Online Multiplayer Games [19.364132825629465]
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。
論文参考訳（メタデータ） (2022-08-15T11:59:05Z)
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)
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)
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)
The Evaluation of Rating Systems in Team-based Battle Royale Games [4.168733556014873]
本稿では,25,000人以上のチームバトルロイヤルマッチのリアルタイムデータセット上で,3つの人気評価システムを評価するためのいくつかの指標の有用性について検討する。正規化割引累積ゲイン (NDCG) は信頼性が高く, 柔軟性が高かった。
論文参考訳（メタデータ） (2021-05-28T19:22:07Z)
An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文参考訳（メタデータ） (2021-01-31T10:30:48Z)
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)
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)
Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。 CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文参考訳（メタデータ） (2020-06-16T22:03:36Z)
Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文参考訳（メタデータ） (2020-04-27T19:06:28Z)

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。