論文の概要: XGuardian: Towards Explainable and Generalized AI Anti-Cheat on FPS Games

• arxiv url: http://arxiv.org/abs/2601.18068v1
• Date: Mon, 26 Jan 2026 01:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.615557
• Title: XGuardian: Towards Explainable and Generalized AI Anti-Cheat on FPS Games
• Title（参考訳）: XGuardian: FPSゲームにおける説明可能な汎用AIアンチコアを目指して
• Authors: Jiayi Zhang, Chenxin Sun, Chenxiong Qian,
• Abstract要約: ファースト・パーソン・シューター(FPS)ゲームにおいて、エイム・アシストの不正行為は最も一般的で悪名高い詐欺である。 XGuardian(XGuardian)は、サーバサイドで汎用的で説明可能なシステムである。
• 参考スコア（独自算出の注目度）: 13.543176436045833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aim-assist cheats are the most prevalent and infamous form of cheating in First-Person Shooter (FPS) games, which help cheaters illegally reveal the opponent's location and auto-aim and shoot, and thereby pose significant threats to the game industry. Although a considerable research effort has been made to automatically detect aim-assist cheats, existing works suffer from unreliable frameworks, limited generalizability, high overhead, low detection performance, and a lack of explainability of detection results. In this paper, we propose XGuardian, a server-side generalized and explainable system for detecting aim-assist cheats to overcome these limitations. It requires only two raw data inputs, pitch and yaw, which are all FPS games' must-haves, to construct novel temporal features and describe aim trajectories, which are essential for distinguishing cheaters and normal players. XGuardian is evaluated with the latest mainstream FPS game CS2, and validates its generalizability with another two different games. It achieves high detection performance and low overhead compared to prior works across different games with real-world and large-scale datasets, demonstrating wide generalizability and high effectiveness. It is able to justify its predictions and thereby shorten the ban cycle. We make XGuardian as well as our datasets publicly available.
• Abstract（参考訳）: ファースト・パーソン・シューター(FPS)ゲームにおいて、エイム・アシストの不正行為は最も一般的で悪名高い不正行為であり、不正に相手の位置やオートエイム、シューティングを暴露し、ゲーム業界に重大な脅威をもたらす。 しかし、既存の研究は信頼性の低いフレームワーク、限定的な一般化性、高いオーバーヘッド、低い検出性能、そして検出結果の説明可能性の欠如に悩まされている。 本稿では,サーバサイドの汎用的かつ説明可能なシステムであるXGuardianを提案する。 FPSゲームの必需品であるピッチとヨーの2つの生データ入力しか必要とせず、新しい時間的特徴を構築し、不正者と普通のプレイヤーを区別するのに不可欠な目的の軌跡を記述する。 XGuardianは最新のメインストリームのFPSゲームCS2で評価され、別の2つのゲームでその一般化性を検証する。 実世界と大規模データセットの異なるゲーム間での先行処理と比較して高い検出性能とオーバーヘッドを達成し、広範な一般化性と高い有効性を示す。 予測を正当化し、それによって禁止サイクルを短縮することができる。 XGuardianとデータセットを公開しています。

関連論文リスト

• Gynopticon: Consensus-Based Cheating Detection System for Competitive Games [0.0]
  オンラインゲームはゲーム業界にとって大きな脅威となる。 これまでのほとんどの研究は、MMORPGs(Massively Multiplayer Online Role-Playing Games)に集中している。 GYNOPTICONは,ユーザのコンセンサスを利用して異常行動を識別する,新しい不正検出フレームワークである。
  論文  参考訳（メタデータ） (2025-11-14T06:28:24Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
  本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。 Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。 実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-27T17:43:51Z)
• Adversarial Reinforcement Learning Framework for ESP Cheater Simulation [27.73673717943896]
  エクストラ・センセーショナル・パーセプション(ESP)の不正行為は、プレイヤーの行動において直接観察できないため、検出が困難である。 本研究では,ESPチーター,非チーター,トラジェクトリベース検出器のモデル化のためのシミュレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:32:45Z)
• Identify As A Human Does: A Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games [25.04499987558611]
  オンラインゲームでのティーティングは、ゲーム体験の完全性に重大な脅威をもたらす。 本稿では,人気ゲームCS:GOのためのサーバサイドFPSアンチチートフレームワークHAWKを提案する。
  論文  参考訳（メタデータ） (2024-09-23T09:00:07Z)
• Turn Fake into Real: Adversarial Head Turn Attacks Against Deepfake Detection [58.1263969438364]
  本稿では,3次元対向顔視によるディープフェイク検出器に対する最初の試みとして,対向頭部旋回(AdvHeat)を提案する。 実験では、現実的なブラックボックスシナリオにおいて、様々な検出器のAdvHeatに対する脆弱性を検証する。 さらなる分析により、AdvHeatは、クロス検出器転送性と防御に対する堅牢性の両方に対する従来の攻撃よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-09-03T07:01:34Z)
• Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
  エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。 既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。 以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
  論文  参考訳（メタデータ） (2022-07-20T19:49:09Z)
• GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters [15.770861074132135]
  ゲーム開発者は不正行為を防止して、ゲームのセキュリティとユーザエクスペリエンスを改善することを目指している。 従来のソフトウェアベースの手法と統計システムは不正行為から保護することに成功している。 画像や音声などのコンテンツの自動生成の最近の進歩は、ビデオゲーム産業を脅かしている。
  論文  参考訳（メタデータ） (2022-05-14T13:33:23Z)
• 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。