論文の概要: Analyzing Skill Element in Online Fantasy Cricket
- arxiv url: http://arxiv.org/abs/2512.22254v1
- Date: Wed, 24 Dec 2025 06:55:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:29.938139
- Title: Analyzing Skill Element in Online Fantasy Cricket
- Title（参考訳）: オンラインファンタジークリケットにおけるスキル要素の分析
- Authors: Sarthak Sarkar, Supratim Das, Purushottam Saha, Diganta Mukherjee, Tridib Mukherjee,
- Abstract要約: 我々は,オンラインファンタジークリケットプラットフォームにおける成功決定におけるスキルの役割を評価するための統計的枠組みを開発する。
戦略パフォーマンスは、Megaと4x or Nothingという2つのコンテスト構造の下で、ポイント、ランク、ペイオフに基づいて評価される。
適応行動を捉えるために,エージェント集団がソフトマックス再重み付け機構を通じて進化する動的トーナメントモデルを導入する。
- 参考スコア（独自算出の注目度）: 1.6093668627931699
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Online fantasy cricket has emerged as large-scale competitive systems in which participants construct virtual teams and compete based on real-world player performances. This massive growth has been accompanied by important questions about whether outcomes are primarily driven by skill or chance. We develop a statistical framework to assess the role of skill in determining success on these platforms. We construct and analyze a range of deterministic and stochastic team selection strategies, based on recent form, historical statistics, statistical optimization, and multi-criteria decision making. Strategy performance is evaluated based on points, ranks, and payoff under two contest structures Mega and 4x or Nothing. An extensive comparison between different strategies is made to find an optimal set of strategies. To capture adaptive behavior, we further introduce a dynamic tournament model in which agent populations evolve through a softmax reweighting mechanism proportional to positive payoff realizations. We demonstrate our work by running extensive numerical experiments on the IPL 2024 dataset. The results provide quantitative evidence in favor of the skill element present in online fantasy cricket platforms.
- Abstract（参考訳）: オンラインファンタジークリケットは、参加者が仮想チームを構築し、実際のプレイヤーのパフォーマンスに基づいて競争する大規模な競争システムとして登場した。
この大きな成長には、成果が主にスキルやチャンスによって引き起こされるかという重要な疑問が伴っている。
これらのプラットフォーム上での成功を判断する上でのスキルの役割を評価するための統計的枠組みを開発する。
我々は、最近の形式、歴史的統計、統計最適化、多条件意思決定に基づいて、決定論的および確率的なチーム選択戦略を構築し、分析する。
戦略パフォーマンスは、Megaと4x or Nothingという2つのコンテスト構造の下で、ポイント、ランク、ペイオフに基づいて評価される。
戦略の最適セットを見つけるために、異なる戦略の広範な比較を行う。
さらに適応的な振る舞いを捉えるために,エージェント集団が正のペイオフ実現に比例したソフトマックス再重み付け機構を通じて進化する動的トーナメントモデルを導入する。
IPL 2024データセット上で、広範な数値実験を行うことで、我々の研究を実証する。
その結果、オンラインファンタジークリケットプラットフォームに存在するスキル要素を支持する定量的証拠が得られた。
関連論文リスト
- CATArena: Evaluation of LLM Agents through Iterative Tournament Competitions [49.02422075498554]
大言語モデル(LLM)エージェントは、基本的なテキスト生成から、外部ツールとのインタラクションを通じて、複雑なタスクを自律的に完了するまで進化してきた。
本研究では,人間レベルインテリジェンスに向けたエージェント進化のコアドライバとして,自己改善とピアラーニングの両方を含む学習能力の重要性を強調した。
本稿では,反復的かつ競合的なピアラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-30T15:22:53Z) - Who is a Better Player: LLM against LLM [53.46608216197315]
本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。
広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
論文 参考訳（メタデータ） (2025-08-05T06:41:47Z) - MetaScale: Test-Time Scaling with Evolving Meta-Thoughts [51.35594569020857]
実験の結果、MetaScaleは標準推論アプローチよりも一貫して優れています。
METASCALEは、サンプリング予算を増やしてより効果的にスケールし、より構造化された専門家レベルのレスポンスを生成する。
論文 参考訳（メタデータ） (2025-03-17T17:59:54Z) - Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning [0.2399911126932527]
我々は,チームの潜在的なパフォーマンスを最大化するために,プレイヤーを適応的に選択できるモデルを開発する。
我々の手法は、過去のプレイヤーデータを利用してRLアルゴリズムを訓練し、将来のパフォーマンスを予測し、チーム構成を最適化する。
以上の結果から,RLベースの戦略が,ファンタジースポーツにおける選手選択に有意義な洞察をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-12-26T13:36:18Z) - An Integrated Framework for Team Formation and Winner Prediction in the
FIRST Robotics Competition: Model, Algorithm, and Analysis [0.0]
本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。
まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。
チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
論文 参考訳（メタデータ） (2024-01-06T23:11:50Z) - All by Myself: Learning Individualized Competitive Behaviour with a
Contrastive Reinforcement Learning optimization [57.615269148301515]
競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。
本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。
我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-10-02T08:11:07Z) - Benchmarking Robustness and Generalization in Multi-Agent Systems: A
Case Study on Neural MMO [50.58083807719749]
IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。
この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。
環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2023-08-30T07:16:11Z) - Pick Your Battles: Interaction Graphs as Population-Level Objectives for
Strategic Diversity [49.68758494467258]
我々は、集団内の個人がどのように相互作用するかを慎重に構造化することで、多様なエージェントの集団を構築する方法について研究する。
我々のアプローチは,エージェント間の情報の流れを制御するインタラクショングラフに基づいている。
マルチエージェント・トレーニングにおける多様性の重要性を証明し,様々な相互作用グラフを適用したゲームにおけるトレーニング・トラジェクトリ,多様性,パフォーマンスに与える影響を解析する。
論文 参考訳（メタデータ） (2021-10-08T11:29:52Z) - 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) - 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)
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。