論文の概要: Tracer: A Forensic Framework for Detecting Fraudulent Speedruns from Game Replays

• arxiv url: http://arxiv.org/abs/2509.10848v1
• Date: Sat, 13 Sep 2025 15:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.814633
• Title: Tracer: A Forensic Framework for Detecting Fraudulent Speedruns from Game Replays
• Title（参考訳）: Tracer: ゲームリプレイから不正なスピードランを検出するための法医学的フレームワーク
• Authors: Jaeung Franciskus Yoo, Huy Kang Kim,
• Abstract要約: 本稿では,高速動作における操作のアーチファクトを識別するフレームワークを提案する。 Tracerは、オーディオヴィジュアル、物理的、サイバースペースのディメンションにまたがって構造化されたガイドラインを提供する。
• 参考スコア（独自算出の注目度）: 2.685668802278155
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speedrun, a practice of completing a game as quickly as possible, has fostered vibrant communities driven by creativity, competition, and mastery of game mechanics and motor skills. However, this contest also attracts malicious actors as financial incentives come into play. As media and software manipulation techniques advance - such as spliced footage, modified game software and live stream with staged setups - forged speedruns have become increasingly difficult to detect. Volunteer-driven communities invest significant effort to verify submissions, yet the process remains slow, inconsistent, and reliant on informal expertise. In high-profile cases, fraudulent runs have gone undetected for years, allowing perpetrators to gain fame and financial benefits through monetised viewership, sponsorships, donations, and community bounties. To address this gap, we propose Tracer, Tamper Recognition via Analysis of Continuity and Events in game Runs, a modular framework for identifying artefacts of manipulation in speedrun submissions. Tracer provides structured guidelines across audiovisual, physical, and cyberspace dimensions, systematically documenting dispersed in-game knowledge and previously reported fraudulent cases to enhance verification efficiency.
• Abstract（参考訳）: できるだけ早くゲームを完成させるプラクティスであるSpeedrunは、クリエイティビティ、競争、ゲームメカニックとモータースキルの熟達によって、活気あるコミュニティを育んでいる。 しかし、このコンテストは金銭的なインセンティブによって悪質な俳優も惹きつける。 メディアやソフトウェア操作の技術が進歩するにつれて、スプリケート映像、修正されたゲームソフトウェア、ステージ化されたセットアップによるライブストリームなど、偽造されたスピードランの検出がますます困難になっている。 ボランティア主導のコミュニティは応募の検証に多大な努力を払っているが、プロセスは遅く、一貫性がなく、非公式の専門知識に依存している。 著名なケースでは、不正行為は何年も発見されていなかったため、加害者は収益化されたビューワーシップ、スポンサーシップ、寄付、およびコミュニティの報奨金を通じて名声と金銭的利益を得ることができる。 このギャップに対処するために,ゲームランにおける連続性とイベントの分析によるトレーサ,タンパー認識を提案する。 Tracerは、オーディオヴィジュアル、物理、サイバー空間の次元にわたって構造化されたガイドラインを提供し、分散したゲーム内の知識を体系的に記録し、以前に報告された不正なケースを検証効率を高める。

関連論文リスト

• FlashAdventure: A Benchmark for GUI Agents Solving Full Story Arcs in Diverse Adventure Games [56.81554611870848]
  我々はFlashAdventureを紹介した。これは、フルストーリーのアーク補完をテストするために設計された、34のFlashベースのアドベンチャーゲームのベンチマークである。 また,ゲームプレイの自動評価装置であるCUA-as-a-Judgeと,長期記憶を利用したエージェントフレームワークであるCOASTを提案する。 実験では、現在のGUIエージェントがフルストーリーのアークに苦しむのに対して、COASTは観察と振る舞いのギャップを埋めることでマイルストーンの完了を改善する。
  論文  参考訳（メタデータ） (2025-09-01T01:33:16Z)
• All Proof of Work But No Proof of Play [0.0]
  確実に スピードランの真正性を検証することは オープンな問題です 素直さとダンニング・クルーガー効果によって動機づけられた我々は、スピードランの真正性を暗号的に証明するシステムを構築しようとする。
  論文  参考訳（メタデータ） (2025-06-30T00:19:19Z)
• No Train Yet Gain: Towards Generic Multi-Object Tracking in Sports and Beyond [1.0806835533814036]
  スポーツ分析には多目的追跡(MOT)が不可欠であり、パフォーマンス評価と戦術的洞察を可能にする。 従来のトラッキング・バイ・検出手法は広範囲なチューニングを必要とするが、セグメンテーションに基づくアプローチはトラック処理に苦労する。 我々は,時間的に伝播するセグメンテーションマスクをアソシエーションキューとして統合し,ビデオ単位のチューニングを伴わずにロバスト性を向上させるためのトラッキング・バイ・検出フレームワークであるMcByteを提案する。
  論文  参考訳（メタデータ） (2025-06-02T07:00:15Z)
• Beyond Pixels: Leveraging the Language of Soccer to Improve Spatio-Temporal Action Detection in Broadcast Videos [1.4249472316161877]
  最新の時間的行動検出手法は、放送ビデオからイベントを抽出する有望な結果を示す。 多くの偽陽性は、より広範な行動列とゲーム状態情報を考慮することで解決できる。 ゲームレベルでの推論と,デノナイジングシーケンスタスクの追加によるSTADの改善により,この問題に対処する。
  論文  参考訳（メタデータ） (2025-05-14T15:05:36Z)
• FaceTracer: Unveiling Source Identities from Swapped Face Images and Videos for Fraud Prevention [68.07489215110894]
  FaceTracerは、元人物の身元を、交換された顔画像やビデオから追跡するように設計されたフレームワークである。 実験では、FaceTracerは元の人物をスワップされたコンテンツで特定し、不正行為に関わる悪意あるアクターの追跡を可能にした。
  論文  参考訳（メタデータ） (2024-12-11T04:00:17Z)
• Detecting Deepfake by Creating Spatio-Temporal Regularity Disruption [94.5031244215761]
  本稿では,実際のビデオにない「規則性破壊」を識別することで,ディープフェイク検出の一般化を促進することを提案する。 具体的には、空間的・時間的特性を慎重に調べることで、擬似フェイク発生器による実映像の破壊を提案する。 このような手法により,フェイクビデオを使わずにディープフェイク検出が可能となり,よりシンプルかつ効率的に一般化能力を向上させることができる。
  論文  参考訳（メタデータ） (2022-07-21T10:42:34Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• 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)
• Robust Vision-Based Cheat Detection in Competitive Gaming [12.124621973070164]
  本稿では,フレームバッファの最終状態をキャプチャし,不正オーバーレイを検出するビジョンベースアプローチを提案する。 以上の結果から,機械学習によるロバストで効果的な解凍は実現可能であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T06:06:52Z)

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。