論文の概要: Accelerating Skill Assessment in Chess: A Drift-Diffusion-Enhanced Elo Rating System
- arxiv url: http://arxiv.org/abs/2606.26267v1
- Date: Wed, 24 Jun 2026 18:08:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.042338
- Title: Accelerating Skill Assessment in Chess: A Drift-Diffusion-Enhanced Elo Rating System
- Title（参考訳）: ドリフト拡散強化エロレーティングシステム
- Abstract要約: そこで我々は,Drift-Diffusion-Enhanced Elo Rating System (DD-Elo) を新たなスキルアセスメントフレームワークとして提案する。
意思決定プロセスとしてのスキル表現をモデル化することにより、移動レベルデータを統合し、迅速なスキル変動を捉える。
DD-Eloはチェスの格付けのエコシステムに対して、説明可能で、応答性が高く、後方互換性のあるソリューションを提供する。
- 参考スコア（独自算出の注目度）: 0.5161531917413708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rating systems such as Elo serve as the gold standard for matchmaking in competitive chess. However, they inherently suffer from response lag due to their exclusive reliance on match outcomes, neglecting the granular quality of gameplay. Nevertheless, incorporating move-by-move information into rating adjustments presents a significant challenge given the substantial noise and the vastness of the game-state space. To address this, we propose the Drift-Diffusion-Enhanced Elo Rating System (DD-Elo), a novel skill assessment framework inspired by the drift diffusion model (DDM) from cognitive neuroscience. By modeling skill expression as a decision-making process, our model integrates move-level data to capture rapid skill fluctuations. We provide a rigorous mathematical derivation proving that DD-Elo maintains a bounded deviation from the traditional Elo system, ensuring theoretical alignment. Extensive experiments demonstrate that DD-Elo adapts to skill changes faster than Elo. Our findings suggest that DD-Elo offers an explainable, highly responsive, and backward-compatible solution for chess rating ecosystems. The implementation code is publicly available at https://github.com/Aquila-zhou1/DD-Elo .
- Abstract（参考訳）: エロのようなレーティングシステムは、競争チェスにおけるマッチメイキングの金の標準となっている。
しかし、ゲームプレイの粒度の細かい品質を無視し、マッチ結果への排他的依存による応答遅延に本質的に苦しんでいる。
それでも、移動バイモーブ情報を評価調整に組み込むことは、ゲーム状態空間のかなりのノイズと広さを考えると、大きな課題となる。
そこで我々は,認知神経科学のドリフト拡散モデル(DDM)に触発された新しいスキルアセスメントフレームワークであるDrift-Diffusion-Enhanced Elo Rating System (DD-Elo)を提案する。
意思決定プロセスとしてのスキル表現をモデル化することにより、移動レベルデータを統合し、迅速なスキル変動を捉える。
DD-Eloが従来のエロ系との有界偏差を維持し、理論的なアライメントを確保することを証明した厳密な数学的導出を提供する。
DD-EloはEloよりも早く、スキルの変化に適応することを示した。
この結果から,DD-Eloはチェス評価のエコシステムに対して,説明可能な,応答性の高い,後方互換性のあるソリューションを提供する可能性が示唆された。
実装コードはhttps://github.com/Aquila-zhou1/DD-Elo で公開されている。
関連論文リスト
- DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - Score-Driven Rating System for Sports [0.0]
本稿では,古典的エロ格付けシステムの一般化であるスコア駆動型格付けシステムを紹介する。
提案するフレームワークは,点差,勝/敗/敗,完備ランキングなど,幅広いゲーム結果に対応している。
論文 参考訳（メタデータ） (2026-04-10T09:22:33Z) - Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。
提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
論文 参考訳（メタデータ） (2025-09-16T12:00:42Z) - 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) - Re-evaluating Open-ended Evaluation of Large Language Models [50.23008729038318]
現在のEloベースのレーティングシステムは、データ、意図的、あるいは偶発的なバイアスの影響を受けやすく、さらに強化できることを示している。
本稿では,3人プレイヤゲームとしての評価を提案し,冗長性に対するロバスト性を確保するために,ゲーム理論の新たな概念を導入する。
論文 参考訳（メタデータ） (2025-02-27T15:07:47Z) - Is Elo Rating Reliable? A Study Under Model Misspecification [18.36167187657728]
多くのゲームはBradley-Terryモデルの仮定から大きく逸脱しており、Eloの信頼性に関する疑問が提起されている。
これらの逸脱にもかかわらず、エロはより複雑な格付けシステムよりもしばしば優れている。
Eloの予測精度とランキング性能との間には強い相関関係が認められた。
論文 参考訳（メタデータ） (2025-02-16T04:07:33Z) - Methods for Generating Drift in Text Streams [49.3179290313959]
コンセプトドリフトは、実世界のデータセットで頻繁に発生する現象であり、時間とともにデータ分布の変化に対応する。
本稿では,ラベル付きドリフトを用いたデータセット作成を容易にするための4つのテキストドリフト生成手法を提案する。
その結果、ドリフトの直後にすべてのメソッドのパフォーマンスが低下し、インクリメンタルなSVMは、以前のパフォーマンスレベルを実行し、回復するのに最も速いことを示している。
論文 参考訳（メタデータ） (2024-03-18T23:48:33Z) - Object Detection Difficulty: Suppressing Over-aggregation for Faster and
Better Video Object Detection [19.96470463506838]
ビデオオブジェクト検出(VOD)モデルは、冗長なアグリゲーション戦略によって過度に集約される問題にしばしば遭遇する。
本研究では,画像中の物体を検出することの難しさを定量化するために,画像レベルの物体検出困難度(ODD)尺度を提案する。
得られたORDスコアはVODプロセスでオーバーアグリゲーションを軽減するために使用できる。
論文 参考訳（メタデータ） (2023-08-22T09:59:35Z) - Refined Response Distillation for Class-Incremental Player Detection [29.764766170176905]
既存の手法では、固定されたプレイヤーカテゴリーを仮定し、カテゴリーが進化し続ける現実世界のシナリオを不可避的に調節する。
インクリメンタルオブジェクト検出(IOD)の最近の研究に触発されて,プレイヤーのIODタスクに対する破滅的忘れを効果的に軽減するRefined Response Distillation (R2D)法を提案する。
NBA-IOD と Volleyball-IOD のデータセットをベンチマークとして提示し,選手の IOD タスクを体系的に検討する。
論文 参考訳（メタデータ） (2023-05-01T01:49:48Z) - Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be
Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。
CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文 参考訳（メタデータ） (2023-02-17T18:45:04Z) - Learning to Identify Top Elo Ratings: A Dueling Bandits Approach [27.495132915328025]
我々は,Elo評価(トッププレイヤー)のサンプル効率を改善するために,効率的なオンラインマッチングスケジューリングアルゴリズムを提案する。
具体的には、上位プレイヤーをデュエルバンドフレームワークで識別し、Eloの勾配ベースの更新に合わせてバンディットアルゴリズムを調整する。
我々のアルゴリズムは、競合ラウンドの数で$tildeO(sqrtT)$, sublinearを保証しており、多次元エロ評価にまで拡張されている。
論文 参考訳（メタデータ） (2022-01-12T13:57:29Z) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z)
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。