論文の概要: CognitionNet: A Collaborative Neural Network for Play Style Discovery in Online Skill Gaming Platform
- arxiv url: http://arxiv.org/abs/2505.00325v1
- Date: Thu, 01 May 2025 05:51:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.240317
- Title: CognitionNet: A Collaborative Neural Network for Play Style Discovery in Online Skill Gaming Platform
- Title（参考訳）: CognitionNet - オンラインスキルゲームプラットフォームにおけるプレイスタイル発見のための協調ニューラルネットワーク
- Authors: Rukma Talwadker, Surajit Chakrabarty, Aditya Pareek, Tridib Mukherjee, Deepak Saini,
- Abstract要約: 本稿では,2段階のディープニューラルネットワークであるCognitionNetを提案する。
第1段階は、潜在空間におけるクラスタ表現としてのゲーム動作のマイニングに焦点を当てている。
2つ目は、これらのマイクロパターンを集約して、プレイスタイルを見つけます。
- 参考スコア（独自算出の注目度）: 6.665636945186558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Games are one of the safest source of realizing self-esteem and relaxation at the same time. An online gaming platform typically has massive data coming in, e.g., in-game actions, player moves, clickstreams, transactions etc. It is rather interesting, as something as simple as data on gaming moves can help create a psychological imprint of the user at that moment, based on her impulsive reactions and response to a situation in the game. Mining this knowledge can: (a) immediately help better explain observed and predicted player behavior; and (b) consequently propel deeper understanding towards players' experience, growth and protection. To this effect, we focus on discovery of the "game behaviours" as micro-patterns formed by continuous sequence of games and the persistent "play styles" of the players' as a sequence of such sequences on an online skill gaming platform for Rummy. We propose a two stage deep neural network, CognitionNet. The first stage focuses on mining game behaviours as cluster representations in a latent space while the second aggregates over these micro patterns to discover play styles via a supervised classification objective around player engagement. The dual objective allows CognitionNet to reveal several player psychology inspired decision making and tactics. To our knowledge, this is the first and one-of-its-kind research to fully automate the discovery of: (i) player psychology and game tactics from telemetry data; and (ii) relevant diagnostic explanations to players' engagement predictions. The collaborative training of the two networks with differential input dimensions is enabled using a novel formulation of "bridge loss". The network plays pivotal role in obtaining homogeneous and consistent play style definitions and significantly outperforms the SOTA baselines wherever applicable.
- Abstract（参考訳）: ゲームは、自尊心とリラックスを同時に実現するための最も安全な情報源の1つです。
オンラインゲームプラットフォームは通常、例えばゲーム内アクション、プレイヤーの動き、クリックストリーム、トランザクションなど、大量のデータが入ってくる。
ゲームの動きに関するデータと同じくらい単純なものは、衝動的反応とゲームの状況に対する反応に基づいて、その時点でのユーザーの心理的インプリントを作成するのに役立つため、かなり興味深い。
この知識のマイニングは:
(a)ただちに観察され予測された選手の行動を説明するのに役立ち、
b) 選手の経験,成長,保護に対する深い理解を深める。
そこで本研究では,Rummyのオンラインスキルゲームプラットフォーム上で,連続的なゲームシーケンスによって形成されるマイクロパターンとしての「ゲーム行動」の発見と,そのようなシーケンスのシーケンスとしてプレイヤーの「プレイスタイル」の永続的な「プレイスタイル」に着目した。
本稿では,2段階のディープニューラルネットワークであるCognitionNetを提案する。
第1段階は、潜在空間におけるクラスタ表現としてのゲーム行動のマイニングに焦点を当て、第2段階は、これらのマイクロパターンを集約して、プレイヤーエンゲージメントに関する教師付き分類目標を介してプレイスタイルを発見する。
この2つの目的により、CognitionNetはいくつかのプレイヤー心理学にインスパイアされた意思決定と戦術を明らかにすることができる。
私たちの知る限りでは、これは発見を完全に自動化した最初の、そして一種一種の研究である。
一 テレメトリデータによるプレイヤー心理学及びゲーム戦術
(2)プレイヤーのエンゲージメント予測に関連する診断的説明。
異なる入力次元を持つ2つのネットワークの協調トレーニングは、新しい「ブリッジロス」の定式化によって可能となる。
ネットワークは均一で一貫したプレイスタイルの定義を得る上で重要な役割を担い、適用可能なSOTAベースラインを著しく上回る。
関連論文リスト
- Game State and Spatio-temporal Action Detection in Soccer using Graph Neural Networks and 3D Convolutional Networks [1.4249472316161877]
サッカーは2つのデータソースに依存している。
本稿では,学習したエンドツーエンドと最先端の3D CNNによる視覚的・ゲーム的状態分析を組み合わせた時間的行動検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-21T13:41:38Z) - Adversarial Deep Reinforcement Learning for Cyber Security in Software
Defined Networks [0.0]
本稿では、より堅牢なエージェントの訓練に、自律的な攻撃的アプローチを深層強化学習(DRL)に活用することの影響に焦点を当てる。
2つのアルゴリズム、Double Deep Q-Networks(DDQN)とNeural Episodic Control to Deep Q-Network(NEC2DQNまたはN2D)を比較した。
論文 参考訳（メタデータ） (2023-08-09T12:16:10Z) - NetHack is Hard to Hack [37.24009814390211]
NeurIPS 2021 NetHack Challengeでは、シンボリックエージェントは中央値のゲームスコアにおいて、ニューラルネットワークのアプローチを4倍以上に上回りました。
我々はNetHackのニューラルポリシー学習について広範な研究を行っている。
従来の完全なニューラルポリシーを127%のオフライン設定、25%のオンライン設定を中央値のゲームスコアで上回る最先端のニューラルエージェントを作成しました。
論文 参考訳（メタデータ） (2023-05-30T17:30:17Z) - 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) - Temporally-Aware Feature Pooling for Action Spotting in Soccer
Broadcasts [86.56462654572813]
私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。
時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。
我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
論文 参考訳（メタデータ） (2021-04-14T11:09:03Z) - Deep Latent Competition: Learning to Race Using Visual Control Policies
in Latent Space [63.57289340402389]
Deep Latent Competition (DLC) は、想像力の自己プレイを通じて、競合する視覚制御ポリシーを学ぶ強化学習アルゴリズムである。
想像すると、セルフプレイは現実世界でコストのかかるサンプル生成を削減し、潜在表現は観測次元で計画を優雅にスケールできる。
論文 参考訳（メタデータ） (2021-02-19T09:00:29Z) - 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) - 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) - Navigating the Landscape of Multiplayer Games [20.483315340460127]
大規模ゲームの応答グラフにネットワーク測度を適用することで,ゲームのランドスケープを創出できることを示す。
本研究は, 標準ゲームから複雑な経験ゲームまで, 訓練されたエージェント同士のパフォーマンスを計測する領域における知見について述べる。
論文 参考訳（メタデータ） (2020-05-04T16:58:17Z) - Neural MMO v1.3: A Massively Multiagent Game Environment for Training
and Evaluating Neural Networks [48.5733173329785]
本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。
分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
論文 参考訳（メタデータ） (2020-01-31T18:50:02Z)
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。