論文の概要: Account Consistency from Gameplay Traces: Same-Player Verification in Counter-Strike 2
- arxiv url: http://arxiv.org/abs/2608.24893v2
- Date: Thu, 27 Aug 2026 03:43:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.332768
- Title: Account Consistency from Gameplay Traces: Same-Player Verification in Counter-Strike 2
- Title（参考訳）: ゲームプレイトレースからのアカウント一貫性:カウンタストライク2における同じプレイヤ検証
- Abstract要約: This review task as same-player verification in Counter-Strike 2。
我々は,1人の選手の行動軌跡を,デモプレイヤの行動指紋としてマッチリプレイ(デモ)にエンコードする。
CS2固有のドメイン知識を用いて、指紋はクロスヘアコントロール、移動停止火力調整、経済・購買、戦闘・エンゲージメント、時間リズムをカバーしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In competitive first-person shooter (FPS) games such as Counter-Strike 2 (CS2), account-integrity review often asks whether an account's recent behavior remains consistent with its historical operator. This consistency question arises in cases such as temporary substitution, rank boosting, and high-skill players using lower-ranked accounts, where manual review requires comparing a current match against multiple historical matches. We formulate this review task as same-player verification: we encode the behavioral trajectory of a single player in a match replay (demo) as a demo-player behavioral fingerprint, and train a model to judge whether two behavioral observations come from the same real player. Using CS2-specific domain knowledge, the fingerprints cover crosshair control, movement-stop-fire coordination, economy/buy, combat/engagement, and temporal rhythm. We construct strict six-fold evaluations on the Perfect dataset (3,570 demos and 35,700 demo-player observations) and the Professional dataset (539 demos and 5,390 demo-player observations). The final pairwise model reaches ROC AUCs of 0.926 and 0.956, respectively. Feature analysis shows that the strongest identity signals come from aiming/crosshair and other low-level mechanical behaviors, indicating that stable mechanics are more informative for this verification task than single-match performance outcomes. On fixed eligible query cohorts, aggregating pairwise evidence between a current demo and multiple historical demos raises account-history AUC on Perfect from 0.923 at K=1 to 0.982 at K=10, and on Professional from 0.914 at K=1 to 0.975 at K=5. These results show that CS2 demo behavior can support supervised same-player verification and account-level identity-consistency modeling through multi-demo history aggregation.
- Abstract（参考訳）: Counter-Strike 2 (CS2) のような競合するファーストパーソンシューティングゲーム (FPS) では、アカウント統合性レビュー(英語版)は、アカウントの最近の振る舞いが歴史的オペレーターと一致しているかどうかをしばしば問う。
この一貫性の問題は、一時的な置換、ランクアップ、低ランクアカウントを使用したハイスキルプレイヤーなどのケースで発生し、手動によるレビューでは、現在の試合を複数の歴史的な試合と比較する必要がある。
我々は、このレビュータスクを同一プレイヤー検証として定式化し、マッチリプレイ(デモ)における単一プレイヤーの行動軌跡をデモプレイヤの行動指紋として符号化し、2つの行動観察が同一プレイヤーから来るかどうかをモデルに訓練する。
CS2固有のドメイン知識を用いて、指紋はクロスヘアコントロール、移動停止火力調整、経済・購買、戦闘・エンゲージメント、時間リズムをカバーしている。
Perfectデータセット(3,570のデモと35,700のデモプレイヤ観測)とProfessionalデータセット(539のデモと5,390のデモプレイヤ観測)の6倍の厳密な評価を構築した。
最後のペアワイズモデルはそれぞれ0.926と0.956のROC AUCに達する。
特徴分析により, 目標/クロスヘアやその他の低レベルの機械的挙動から最強の識別信号が得られ, 安定力学が単一マッチング性能よりも有益であることが示唆された。
固定可能なクエリコホートでは、現在のデモと複数の歴史的なデモの間のペアワイズエビデンスを集約すると、AUC on PerfectがK=1で0.923からK=10で0.982に、ProfessionalがK=1で0.914からK=5で0.975に上昇する。
これらの結果から,CS2のデモ動作は,マルチデモ履歴アグリゲーションによる教師付き同一プレイヤー検証とアカウントレベルの同一性モデリングをサポートできることが示唆された。
関連論文リスト
- Humans Are More Diverse: Frontier LLMs Show Extreme Policies in Idealised AI Development Races [0.4338724691489186]
大型言語モデル (LLM) エージェントの2人から5人の競技者を対象に, 戦略的安全行動について検討した。
まず、ゲームエンジンを検証し、次にルールのリコール、状態追跡、計算、安定性をテストする。
監査は、強いルールリコールが、弱い状態追跡と期待される支払い計算と共存できることを示します。
論文 参考訳（メタデータ） (2026-08-02T12:18:00Z) - Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3 [6.41363581085404]
ARC-AGI-3は抽象化をスキル獲得の対話的な問題に変える。
我々はこれらの環境をパラメータ化レンダリング決定論的ムーアマシンとして定式化する。
我々は,インタラクション中にゲーム固有のモデルを構築し,使用するコーディングエージェントシステムであるTychoを紹介する。
論文 参考訳（メタデータ） (2026-07-30T14:34:41Z) - ChessMimic: Per-Rating Transformer Models for Human Move, Clock, and Outcome Prediction in Online Blitz Chess [0.08460698440162888]
ChessMimicは、移動、思考時間、結果予測のための3つのエンコーダのみのトランスフォーマーのシステムである。
Lichess Rated Blitzのゲームでは、ChessMimicの人間の動き予測精度はEloの各バンドでMaia-2を上回っている。
公開デモは1e4.aiで、コード、バンド単位の重み付け、C++データフィルタパイプラインコードをGitHubでリリースしています。
論文 参考訳（メタデータ） (2026-06-03T05:42:39Z) - BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data [0.5336398444466023]
本稿では,競争力のある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BEACONを紹介する。
BEACONは、28の異なるプレイヤーの79セッションから約430GBの同期モードデータを含んでいる。
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。
論文 参考訳（メタデータ） (2026-05-11T17:17:02Z) - Agent Island: A Saturation- and Contamination-Resistant Benchmark from Multiagent Games [0.0]
我々は,言語モデルエージェントが相互協力,対立,説得のゲームで競うマルチプレイヤーシミュレーション環境であるエージェントアイランドを紹介した。
ベイズプラケット・ルーキーモデルでプレイヤーをランク付けし、プレイヤースキルの不確実性を定量化する。
49のユニークなモデルを含む999のゲームでは、openai/gpt-5.5が5.64で、第2位のモデルであるopenai/gpt-5.2と第3位のモデルであるopenai/gpt-5.3-codexの2.86と、ピアを圧倒している。
論文 参考訳（メタデータ） (2026-05-05T21:24:58Z) - GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。
2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。
18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
論文 参考訳（メタデータ） (2026-04-08T17:49:03Z) - LM Fight Arena: Benchmarking Large Multimodal Models via Game Competition [104.81487689011341]
本稿では,Mortal Kombat IIにおける大規模マルチモーダルモデルを評価する新しいフレームワークであるLM Fight Arenaを紹介する。
静的評価とは異なり、LM Fight Arenaは完全に自動化され、再現可能で、LMMの戦略的推論能力の客観的評価を提供する。
論文 参考訳（メタデータ） (2025-10-10T02:19:21Z) - Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance [81.05882480184587]
本稿では,自律エージェントに対するVygotskyのZPDを用いて,Kolbの学習サイクルの計算フレームワークを提案する。
Agent Kは、KolbとVygotskyにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
金9個、銀8個、銅12個で、メダル獲得競争で金4個、銀4個を含む。エージェントKは、コルブとヴィーゴツキーにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
論文 参考訳（メタデータ） (2024-11-05T23:55:23Z) - A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳（メタデータ） (2022-11-22T15:23:53Z) - 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) - ASCNet: Self-supervised Video Representation Learning with
Appearance-Speed Consistency [62.38914747727636]
本研究では,1)明示的な監督のためのラベルの欠如,2)構造化されていない,ノイズの多い視覚情報による自己指導型映像表現学習について検討する。
既存の方法は、主にビデオクリップをインスタンスとしてコントラスト損失を使用し、互いにインスタンスを識別することで視覚的表現を学ぶ。
本稿では,ロバストな映像表現を学ぶ上で,正のサンプル間の一貫性が鍵となることを観察する。
論文 参考訳（メタデータ） (2021-06-04T08:44:50Z)
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。