論文の概要: Scouting By Reward: VLM-TO-IRL-Driven Player Selection For Esports

• arxiv url: http://arxiv.org/abs/2604.14474v1
• Date: Wed, 15 Apr 2026 23:10:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.644064
• Title: Scouting By Reward: VLM-TO-IRL-Driven Player Selection For Esports
• Title（参考訳）: 逆転によるスカウティング:VLM-TO-IRL-Driven Player Selection for Esports
• Authors: Qing Yan, Wenyu Yang, Yufei Wang, Wenhao Ma, Linchong Hu, Yifei Jin, Anton Dahbura,
• Abstract要約: 本稿では,ログ化されたゲームプレイのデモンストレーションから,プロフェッショナル固有の報酬関数を学習する新しいプレーヤ選択フレームワークを提案する。 一般的なスキル推定から"報酬"によるスカウトへの移行によって、このフレームワークはスケーラブルでワークフロー対応のディジタルツインシステムを提供します。
• 参考スコア（独自算出の注目度）: 8.837655324422192
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Traditional esports scouting workflows rely heavily on manual video review and aggregate performance metrics, which often fail to capture the nuanced decision-making patterns necessary to determine if a prospect fits a specific tactical archetype. To address this, we reframe style-based player evaluation in esports as an Inverse Reinforcement Learning (IRL) problem. In this paper, we introduce a novel player selection framework that learns professional-specific reward functions from logged gameplay demonstrations, allowing organizations to rank candidates by their stylistic alignment with a target star player. Our proposed architecture utilizes a multimodal, two-branch intake: one branch encodes structured state-action trajectories derived from high-resolution in-game telemetry, while the second encodes temporally aligned tactical pseudo-commentary generated by Vision-Language Models (VLMs) from broadcast footage. These representations are fused and evaluated via a Generative Adversarial Imitation Learning (GAIL) objective, where a discriminator learns to capture the unique mechanical and tactical signatures of elite professionals. By transitioning from generic skill estimation to scouting "by reward," this framework provides a scalable, workflow-aware digital twin system that enables data-driven roster construction and targeted talent discovery across massive candidate pools.
• Abstract（参考訳）: 従来のエスポートスカウトワークフローは、手動のビデオレビューやパフォーマンスメトリクスの集約に大きく依存しているため、予測が特定の戦術的アーキタイプに適合するかどうかを決定するのに必要な、微妙な決定パターンをキャプチャできないことが多い。 そこで我々は,逆強化学習(IRL)問題として,エスポートにおけるスタイルベースのプレイヤー評価を再構成した。 本稿では,記録されたゲームプレイのデモンストレーションからプロフェッショナル固有の報酬関数を学習し,ターゲットのスタープレイヤーとスタイリッシュなアライメントで候補をランク付けする新しいプレイヤー選択フレームワークを提案する。 提案アーキテクチャでは,高解像度のゲーム内テレメトリから構成された状態-動作軌跡を符号化する一方,VLM(Vision-Language Models)が放送映像から生成した時間的に整列した戦術的擬似記述を符号化する。 これらの表現はGAIL(Generative Adversarial Imitation Learning)の目的によって融合され評価される。 このフレームワークは、一般的なスキル推定から"報酬による"スカウト"への移行によって、スケーラブルでワークフロー対応のディジタルツインシステムを提供し、データ駆動のロスター構築と、大規模候補プールをまたいだターゲットの人材発見を可能にする。

関連論文リスト

• PEARL: Personalized Streaming Video Understanding Model [50.273809779498464]
  マルチモーダルパーソナライズ法は、主に静的画像やオフラインビデオに限られる。 PEARL-Benchはこの困難な設定を評価するために特別に設計された最初の包括的なベンチマークである。 PEARLは8つのオフラインおよびオンラインモデルにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-20T18:47:54Z)
• Goal-Driven Reward by Video Diffusion Models for Reinforcement Learning [58.33560203572211]
  我々は,大規模ビデオデータセット上で事前訓練された市販のビデオ拡散モデルを利用する。 ビデオレベルの報酬については、まずドメイン固有のデータセット上で事前訓練されたビデオ拡散モデルを微調整する。 次に、与えられた状態-動作ペアから目標状態にアクセスする確率をフレームレベルの報酬として、学習した前方方向の表現を用いる。
  論文  参考訳（メタデータ） (2025-11-30T16:22:27Z)
• Learning Skill-Attributes for Transferable Assessment in Video [56.813876909367856]
  ビデオによるスキル評価は、人の身体的パフォーマンスの品質を評価し、何がより良くできるかを説明する。 当社のCrossTrainerアプローチでは,バランス,コントロール,手の位置決めといったスキル属性が検出される。 人間のスキルを表わす行動の共有を抽象化することにより,提案した映像表現は,既存のテクニックの配列よりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-11-17T23:53:06Z)
• X-Ego: Acquiring Team-Level Tactical Situational Awareness via Cross-Egocentric Contrastive Video Representation Learning [1.1765015608581086]
  X-Ego-CSは、人気のあるeスポーツゲームCounter-Strike 2の45のプロレベル試合の124時間のゲームプレイ映像からなるベンチマークデータセットである。 X-Ego-CSは、すべてのプレイヤーのファーストパーソン視点とステートアクション軌跡を同期的にキャプチャするクロスエゴセントリックなビデオストリームを提供する。 我々は,チームメイトの自我中心の視覚ストリームを調整し,チームレベルの状況認識を個人の視点から促進するクロスエゴコントラスト学習(CECL)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T00:48:35Z)
• AVA: Attentive VLM Agent for Mastering StarCraft II [56.07921367623274]
  Intentive VLM Agent (AVA) は、人工エージェントの認識と人間のゲームプレイ体験を一致させるマルチモーダルのStarCraft IIエージェントである。 我々のエージェントは、ゲームプレイ中に人間の認知過程をより密にシミュレートするRGB視覚入力と自然言語観察を組み込むことにより、この制限に対処する。
  論文  参考訳（メタデータ） (2025-03-07T12:54:25Z)
• Advanced Volleyball Stats for All Levels: Automatic Setting Tactic Detection and Classification with a Single Camera [15.032833555418314]
  バレーボールの試合における戦略分類の設定に特化して設計された2つの新しいエンドツーエンドコンピュータビジョンフレームワークを提案する。 本フレームワークは,ボール軌跡認識と新しいセット軌跡分類器を組み合わせることで,包括的・高度な統計データを生成する。 本システムでは,実時間展開が可能であり,ゲーム内戦略分析やスポット内ゲームプランの調整が可能である。
  論文  参考訳（メタデータ） (2023-09-26T08:29:02Z)

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。