論文の概要: BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data
- arxiv url: http://arxiv.org/abs/2605.10867v1
- Date: Mon, 11 May 2026 17:17:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:51.024862
- Title: BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data
- Title（参考訳）: BEACON: ゲームプレイデータから行動指紋を学習するためのマルチモーダルデータセット
- Authors: Ishpuneet Singh, Gursmeep Kaur, Uday Pratap Singh Atwal, Guramrit Singh, Gurjot Singh, Maninder Singh,
- Abstract要約: 高精細なデジタル環境での連続的な認証は、現実的な認知と運動の要求の下で、きめ細かい行動信号を持つデータセットを必要とする。
本稿では,競争力のあるtextitValorant ゲームプレイにおいて,多様なスキルレベルをキャプチャする大規模マルチモーダルデータセット BEACON を紹介する。
- 参考スコア（独自算出の注目度）: 0.5336398444466023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous authentication in high-stakes digital environments requires datasets with fine-grained behavioral signals under realistic cognitive and motor demands. But current benchmarks are often limited by small scale, unimodal sensing or lack of synchronised environmental context. To address this gap, this paper introduces BEACON ( Behavioral Engine for Authentication \& Continuous Monitoring), a large-scale multimodal dataset that captures diverse skill tiers in competitive \textit{Valorant} gameplay. BEACON contains approximately 430 GB of synchronised modality data (461 GB total on-disk including auxiliary \textit{Valorant} configuration captures) from 79 sessions across 28 distinct players, estimated at 102.51 hours of active gameplay, including high-frequency mouse dynamics, keystroke events, network packet captures, screen recordings, hardware metadata, and in-game configuration context. BEACON leverages the high precision motor skills and high cognitive load that are inherent to tactical shooters, making it a rigorous stress test for the robustness of behavioral biometrics. The dataset allows for the study of continuous authentication, behavioral profiling, user drift and multimodal representation learning in a high-fidelity esports setting. The authors release the dataset and code on Hugging Face and GitHub to create a reproducible benchmark for evaluating next-generation behavioral fingerprinting and security models
- Abstract（参考訳）: 高精細なデジタル環境での連続的な認証は、現実的な認知と運動の要求の下で、きめ細かい行動信号を持つデータセットを必要とする。
しかし、現在のベンチマークは、小さなスケール、単調なセンシング、あるいは同期した環境コンテキストの欠如によって制限されることが多い。
このギャップに対処するため,本稿では,競争力のある『textit{Valorant}』ゲームプレイにおいて,多様なスキルレベルをキャプチャする大規模マルチモーダルデータセットであるBEACONを紹介した。
BEACONは、約430GBの同期モードデータ(補助的な \textit{Valorant} 構成キャプチャを含む461GBのオンディスクを含む)を、28の異なるプレイヤーにわたる79のセッションから提供しており、高周波マウスダイナミクス、キーストロークイベント、ネットワークパケットキャプチャ、スクリーン記録、ハードウェアメタデータ、ゲーム内設定コンテキストを含む102.51時間のアクティブゲームプレイが推定されている。
BEACONは、戦術的シューティングに固有の高精度なモータースキルと高い認知負荷を活用し、行動バイオメトリックスの堅牢性に対する厳密なストレステストとなる。
このデータセットは、連続的な認証、行動プロファイリング、ユーザのドリフト、高忠実度エスポート環境でのマルチモーダル表現学習の研究を可能にする。
著者らはHugging FaceとGitHubでデータセットとコードを公開し、次世代の行動指紋とセキュリティモデルを評価する再現可能なベンチマークを作成する。
関連論文リスト
- A Multimodal Architecture for Endpoint Position Prediction in Team-based Multiplayer Games [42.059466998190224]
本稿では,動的時間地平線上での将来のプレーヤ位置の予測のためのマルチモーダルアーキテクチャを提案する。
このアーキテクチャは、動的ゲームデータだけでなく、画像入力、数値的特徴、カテゴリー的特徴を含むマルチモーダルゲーム状態を効率的に利用する。
論文 参考訳（メタデータ） (2025-07-28T09:51:49Z) - What You Have is What You Track: Adaptive and Robust Multimodal Tracking [72.92244578461869]
本研究では,時間的に不完全なマルチモーダルデータを用いたトラッカー性能に関する総合的研究を行った。
我々のモデルは9つのベンチマークでSOTA性能を達成し、従来の完全性と欠落したモダリティ設定の両方で優れている。
論文 参考訳（メタデータ） (2025-07-08T11:40:21Z) - MORSE-500: A Programmatically Controllable Video Benchmark to Stress-Test Multimodal Reasoning [54.47710436807661]
MORSE-500(MORSE-500)は、6つの補足的推論カテゴリにまたがる500の完全スクリプト化されたクリップを埋め込んだビデオベンチマークである。
各インスタンスは、決定論的Pythonスクリプト(Manim、Matplotlib、MoviePy)、生成ビデオモデル、実際の映像を使用して生成される。
一度飽和すると時代遅れになる静的ベンチマークとは異なり、MORSE-500は進化するために構築されている。
論文 参考訳（メタデータ） (2025-06-05T19:12:45Z) - CSI-Bench: A Large-Scale In-the-Wild Dataset for Multi-task WiFi Sensing [13.709208651007167]
CSI(Channel State Information)のきめ細かい変化を捉えたWiFiセンシングは、人間の活動監視のための説得力のある非接触モードとして登場した。
既存のWiFiセンサーシステムは、均一なハードウェアで制御された環境で収集されたデータセットと、日々のアクティビティを反映しない断片化されたセッションベースの記録のために、現実世界の設定を一般化するのに苦労している。
CSI-Benchは,35名の実ユーザを抱えた26の屋内環境において,商用WiFiエッジデバイスを用いて収集した大規模Wildベンチマークデータセットである。
論文 参考訳（メタデータ） (2025-05-28T01:29:29Z) - ViTaPEs: Visuotactile Position Encodings for Cross-Modal Alignment in Multimodal Transformers [7.505873965164197]
ViTaPEsは,視覚的知覚のためのタスク非依存表現を学習するためのフレームワークである。
提案手法は,モーダル内構造を捉えるために,新しいマルチスケール位置符号化方式を利用する。
その結果,ViTaPEは様々な認識タスクにおいて最先端のベースラインを超越していることがわかった。
論文 参考訳（メタデータ） (2025-05-26T14:19:29Z) - PLAICraft: Large-Scale Time-Aligned Vision-Speech-Action Dataset for Embodied AI [15.768055896349612]
PLAICraftは、マルチプレイヤーMinecraftインタラクションをキャプチャする、新しいデータ収集プラットフォームとデータセットである。
このデータセットは、全世界で1万人以上の参加者による1万時間以上のゲームプレイで構成されている。
論文 参考訳（メタデータ） (2025-05-19T05:00:47Z) - DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition [51.96660522869841]
DailyDVS-200は、イベントベースのアクション認識コミュニティに適したベンチマークデータセットである。
実世界のシナリオで200のアクションカテゴリをカバーし、47人の参加者によって記録され、22,000以上のイベントシーケンスで構成されている。
DailyDVS-200には14の属性がアノテートされており、記録されたアクションの詳細なキャラクタリゼーションが保証されている。
論文 参考訳（メタデータ） (2024-07-06T15:25:10Z) - Dissecting Multimodality in VideoQA Transformer Models by Impairing Modality Fusion [54.33764537135906]
VideoQA Transformerモデルは標準ベンチマークで競合性能を示す。
これらのモデルはビデオとテキストからリッチなマルチモーダル構造とダイナミックスを一緒に捉えていますか?
彼らはバイアスと刺激的な特徴を利用して高いスコアを達成していますか?
論文 参考訳（メタデータ） (2023-06-15T06:45:46Z) - Multi-Environment Pretraining Enables Transfer to Action Limited
Datasets [129.24823721649028]
強化学習では、意思決定の利用可能なデータは、アクションに注釈を付けないことが多い。
そこで本研究では,Emphtarget環境と他のさまざまなEmphsource環境の完全注釈付きデータセットを組み合わせることを提案する。
IDMプレトレーニング中に、さらに1つの連続ラベル付きデータの環境データセットを利用することで、アノテーションのないシーケンスに対するアクションラベルの生成が大幅に改善されることが示される。
論文 参考訳（メタデータ） (2022-11-23T22:48:22Z) - Comparison of Data Representations and Machine Learning Architectures
for User Identification on Arbitrary Motion Sequences [8.967985264567217]
本稿では,頭部と手の動きの任意のシーケンスに基づいて,異なる機械学習手法を用いてユーザを識別する。
すべてのコードを公開して、将来の作業のベースラインを提供しています。
このモデルは、150秒以内の精度で、34人の被験者のどれかを正確に識別する。
論文 参考訳（メタデータ） (2022-10-02T14:12:10Z)
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。