論文の概要: PlayerEmbed: Learning Behavioral Fingerprint Representations from Raw Input Sequences

• arxiv url: http://arxiv.org/abs/2610.32727v1
• Date: Fri, 23 Oct 2026 14:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.550099
• Title: PlayerEmbed: Learning Behavioral Fingerprint Representations from Raw Input Sequences
• Title（参考訳）: PlayerEmbed: 生来の入力シーケンスから行動指紋の表現を学習する
• Abstract要約: PlayerEmbedは、ディープメトリック学習を使用してコンパクトで差別的なプレイヤー埋め込みを学習するフレームワークである。 提案手法では,1000人のプレイヤーの生入力シーケンスに基づいて学習したハイブリッドCNN-LSTMエンコーダを用いる。
• 参考スコア（独自算出の注目度）: 1.3998716548813406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raw player input sequences in video games contain fine-grained behavior, but are high-dimensional and noisy, which makes large-scale analytics challenging. To address this, we introduce PlayerEmbed, a framework that learns compact and discriminative player embeddings using deep metric learning. Our approach uses a hybrid CNN-LSTM encoder trained on raw input sequences from 1,000 players. We evaluate the model on held-out sequences from these players and on sequences from 1,000 players entirely unseen during training to assess generalization to unseen identities. For player identification, a nearest-centroid classifier built from reference embeddings achieves strong performance, reaching balanced accuracies of 0.950 for players seen during training and 0.879 for players unseen during training. Systematically increasing the number of training players substantially improves generalization to unseen players, indicating a transition from simple fingerprinting to learning transferable behavioral patterns.
• Abstract（参考訳）: ビデオゲームにおける生プレーヤーの入力シーケンスは、きめ細かな振る舞いを含むが、高次元でうるさいため、大規模な分析が困難である。 この問題に対処するために,深層学習を用いてコンパクトで差別的なプレイヤー埋め込みを学習するフレームワークであるPlayerEmbedを紹介する。 提案手法では,1000人のプレーヤーの生入力シーケンスに基づいて学習したハイブリッドCNN-LSTMエンコーダを用いる。 本研究では,これらのプレイヤーの保持配列と,トレーニング中に全く見えない1000人のプレイヤーのシーケンスのモデルを評価し,未知のアイデンティティに対する一般化を評価する。 プレイヤー識別では、参照埋め込みから構築された最寄りのセントロイド分類器は、トレーニング中に見られるプレイヤーには0.950、トレーニング中に見えないプレイヤーには0.879というバランスの取れた精度を達成する。 トレーニングプレイヤーの数を体系的に増やすことで、目に見えないプレイヤーへの一般化が大幅に向上し、単純なフィンガープリントから伝達可能な行動パターンの学習への移行が示される。

関連論文リスト

• Player-1: Learning to Play from Synthetic Experience [100.9609577188405]
  本稿では,実演以外のゲーム制御を合成体験で学習するためのフレームワークであるPlayer-1を紹介する。 我々は6,044個のゲームプレイトラジェクトリ上でコンピュータ使用モデルを微調整し、記録されたアクションとタスク命令と視覚的推論を組み合わせた。 ゲーム間で共有される制御要求を主軸とした,16種類の合成2Dおよび3D環境である Player-1-Gym を構築した。
  論文  参考訳（メタデータ） (2026-10-14T17:57:12Z)
• NitroGen: An Open Foundation Model for Generalist Gaming Agents [101.41866522979548]
  NitroGenは、ジェネラリストゲームエージェントのためのビジョンアクション基盤モデルである。 1000以上のゲームで4万時間のゲームプレイビデオでトレーニングされている。
  論文  参考訳（メタデータ） (2026-01-04T16:24:50Z)
• Learning Controllable and Diverse Player Behaviors in Multi-Agent Environments [0.0]
  本稿では,人間のゲームプレイデータに頼らずに,制御可能かつ多様なプレイヤ動作を可能にする強化学習フレームワークを提案する。 我々はN次元連続空間におけるプレイヤーの行動を定義し、実際の人間のスタイルを表すサブセットを含む領域からターゲットの行動ベクトルを均一にサンプリングする。 単一のPPOベースのマルチエージェントポリシーは、再トレーニングすることなく、新しいまたは見えないプレイスタイルを再現することができる。
  論文  参考訳（メタデータ） (2025-12-11T17:26:24Z)
• 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)
• RisingBALLER: A player is a token, a match is a sentence, A path towards a foundational model for football players data analytics [0.0]
  RisingBALLERは、フットボールの試合データに基づいてトレーニングされたトランスフォーマーモデルを利用して、マッチ固有のプレーヤー表現を学習する最初の公開アプローチである。 単純な機械学習モデル以上の、RisingBALLERは、プレーヤーのための高度な基礎的特徴を学習することによって、フットボールデータ分析を変換するように設計された包括的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-01T14:39:22Z)
• CLIP-ReIdent: Contrastive Training for Player Re-Identification [0.0]
  事前学習したCLIPモデルのゼロショット性能をプレイヤー再識別領域に転送できるかどうかを検討する。 これまでの研究とは異なり、私たちのアプローチは完全にクラスに依存しず、大規模な事前トレーニングの恩恵を受けています。
  論文  参考訳（メタデータ） (2023-03-21T13:55:27Z)
• 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)
• Automated player identification and indexing using two-stage deep learning network [0.23610495849936355]
  本稿では,アメリカンフットボールの試合における選手の参加を自動的に追跡し,その参加度を指標とする深層学習型選手追跡システムを提案する。 関心領域をハイライトし、ジャージ番号情報を高精度に識別するための2段階ネットワーク設計である。 フットボールビデオの質的,定量的な結果を分析することにより,選手追跡システムの有効性と信頼性を実証する。
  論文  参考訳（メタデータ） (2022-04-26T02:59:03Z)
• 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)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)

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。