論文の概要: Allocation Before the Clock: Graph, Set and Game Theory of Professional League of Legends Objective Setups
- arxiv url: http://arxiv.org/abs/2610.33626v1
- Date: Sat, 24 Oct 2026 11:57:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.410077
- Title: Allocation Before the Clock: Graph, Set and Game Theory of Professional League of Legends Objective Setups
- Title（参考訳）: クロック前のアロケーション:プロ伝説のリーグのグラフ、セット、ゲーム理論
- Abstract要約: リーグ・オブ・レジェンズ(League of Legends)では、チームは戦いや旅行、献身的な選手に価格を付けている。
我々のモデルであるHASSE-QREは、モデル全体のブートストラップが再現する6つのセットアップパターンを見つける。
私たちは最初のバロンでトラック、セットアップ、コード+34.8ポイント、アタクハンで+30.4ポイントをリリースします。
- 参考スコア（独自算出の注目度）: 11.219745134057646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Before every neutral objective in professional League of Legends, each team decides which of its five players walk to the pit, which hold a lane, and when to commit. The leading analysis of such setups, TAGNet for Counter-Strike 2, clusters graph-network embeddings of player positions and reads cluster win rates as tactical quality. We treat a setup as an allocation on a walled map: formations are set partitions on the lattice $Π_5$, control is a geodesic Voronoi split of a navigation graph, and commitment is an allocation game solved as a quantal response equilibrium priced in win probability. On all 164 games of MSI and Worlds 2025 (2,994 team-setups, minimap tracks validated against Riot positions), trailing teams leave the pit empty far more often than leading teams, by +34.8 percentage points at the first baron and +30.4 percentage points at Atakhan. Our model, HASSE-QRE, finds six setup patterns that whole-model series-bootstrap refits reproduce (ARI 0.819, comparable to 0.813 for TAGNet's $K$-Means step alone) and indicates that teams price fights, travel and committed players, not the objective itself (weight 0.018; fixing it to one costs 59.9 log-likelihood points). The equilibrium reproduces a quarter of the commitment gap, almost all of it through state variables rather than its strategic channels. Weighting a team-level contrast by exposure moves it across $p=0.05$ (0.046 against 0.052). We release the tracks, setups and code.
- Abstract（参考訳）: プロリーグ・オブ・レジェンドの全ての中立目標の前に、各チームは5人のプレイヤーのうちどれがピットまで歩いて、レーンを保持し、いつコミットするかを決める。
これらのセットアップの主要な分析は、TAGNet for Counter-Strike 2であり、プレイヤーの位置のグラフ-ネットワーク埋め込みとクラスタの勝利率を戦術的品質として読み取る。
集合は壁付き写像上の割当として扱う: 生成は格子上の集合分割で、制御はナビゲーショングラフの測地的ボロノイ分割であり、コミットメントは、勝利確率で価格付けされた量子応答平衡として解決される割当ゲームである。
MSIと2025の全ての164試合(チームセット2,994点、ミニマップトラックはリオットのポジションに対して有効)では、先導チームが先導チームよりもはるかに頻繁にピットを離れ、第1バロンでは+34.8点、アタクハンでは+30.4ポイントとなった。
我々のモデルであるHASSE-QREは、TAGNetの$K$-Means単独で0.813に匹敵するARI 0.819を再現する6つのセットアップパターンを発見し、チームが目標自体ではなく、価格競争、旅行、献身的なプレイヤー(ウェイト0.018; 1つのコストで59.9ログライクなポイントに固定する)を示す。
均衡はコミットメントギャップの4分の1を再現し、そのほとんど全てが戦略チャネルではなく状態変数によって行われる。
露出によるチームレベルのコントラストの重み付けは、$p=0.05$ (0.046対0.052) に移動する。
トラック、セットアップ、コードをリリースします。
関連論文リスト
- Sim2Win: A Team-Agnostic, Event-Based Pre-Match Outcome Prediction and Tactical Profiling System for Football [0.5156484100374058]
Sim2Winは、チームに依存しない、イベントベースの戦術的レコメンデーションフレームワークである。
システムはチーム名やアイデンティティ機能なしで動作し、トレーニング中に見たことのないチームに一般化を可能にする。
Sim2Win は平均 ROC-AUC が 0.704 であり、完全に見えないチームでは 55.4% の精度である。
論文 参考訳（メタデータ） (2026-05-26T01:46:46Z) - Territory Paint Wars: Diagnosing and Mitigating Failure Modes in Competitive Multi-Agent PPO [0.0]
テリトリー・ペイント戦争は、ユニティで実施された最小の競争力のある多エージェント強化学習環境である。
我々はこれを,自己再生下での親密な政策最適化の失敗モードを体系的に調査するために利用する。
論文 参考訳（メタデータ） (2026-04-04T23:48:17Z) - Optimal Rates for Feasible Payoff Set Estimation in Games [19.616985668606695]
ゲーム逆理論は、観察された行動と整合した支払の集合全体を特定することを目的としている。
我々は、ハースドルフ計量上で、高い確率と最大精度で実現可能なペイオフの集合を推定する問題に焦点をあてる。
この結果は,マルチエージェント環境における設定値のペイオフ推論のための学習理論の基礎を提供する。
論文 参考訳（メタデータ） (2026-02-04T10:27:11Z) - Corrupted Learning Dynamics in Games [62.73758165845971]
すべてのプレイヤーが楽観的な追従型リーダー(OFTRL)に従うと、平衡は$O(log T)$の速さで計算できる。
本稿では,各プレイヤーが所定のアルゴリズムによって提案される戦略から逸脱する程度に依存する速度で,適応的に平衡を求める学習ダイナミクスを提案する。
論文 参考訳（メタデータ） (2024-12-10T02:23:44Z) - On Tractable $Φ$-Equilibria in Non-Concave Games [53.212133025684224]
非コンケーブゲームにおいて、抽出可能な$Phi$-equilibriaについて検討する。
Phi$が有限であるとき、対応する$Phi$-equilibriaに収束する効率的な非結合学習アルゴリズムが存在することを示す。
論文 参考訳（メタデータ） (2024-03-13T01:51:30Z) - Decentralized Online Bandit Optimization on Directed Graphs with Regret
Bounds [4.640835690336653]
我々は、分散化されたマルチプレイヤーゲームが$T$ラウンドでプレイされると考えている。
各ラウンドの終了までに、全てのプレイヤーは、それぞれの共同アクションに基づいて、ジョイント・バンディット・リワードを受け取る。
シングルプレイヤーのマルチアームバンディット問題にインスパイアされた学習アルゴリズムは,ラウンド数においてサブ線形の擬似回帰を実現する。
論文 参考訳（メタデータ） (2023-01-27T15:58:04Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳（メタデータ） (2022-07-26T21:38:07Z) - Can Reinforcement Learning Find Stackelberg-Nash Equilibria in
General-Sum Markov Games with Myopic Followers? [156.5760265539888]
我々は,マルチプレイヤーのジェネラルサムマルコフゲームについて,リーダーに指名されたプレイヤーとフォロワーに指名されたプレイヤーの1人を用いて研究した。
そのようなゲームに対して、我々のゴールは、政策対 $(pi*, nu*)$ であるスタックルバーグ・ナッシュ均衡 (SNE) を見つけることである。
オンラインとオフラインの両方でSNEを解くために,サンプル効率強化学習(RL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-12-27T05:41:14Z) - Towards convergence to Nash equilibria in two-team zero-sum games [17.4461045395989]
2チームゼロサムゲームは、プレイヤーが2つの競合するエージェントに分割されるマルチプレイヤーゲームとして定義される。
我々はNash equilibria(NE)の解の概念に焦点をあてる。
このクラスのゲームに対する計算 NE は、複雑性クラス $mathrm$ に対して $textithard$ であることを示す。
論文 参考訳（メタデータ） (2021-11-07T21:15:35Z) - Bandit Modeling of Map Selection in Counter-Strike: Global Offensive [55.41644538483948]
Counter-Strike: Global Offensive (CSGO) では、2つのチームが最初にマップ(仮想世界)を選択して禁止する。
CSGOにおける地図選択の問題に対処し、チームの選択や意思決定の禁止を調査するための文脈的帯域幅の枠組みを導入する。
選択と禁止の両方に関して、チームは最適なマップ選択ポリシーを持っています。
また,バンディット環境では検討されていない報奨制度のアプローチも定義し,報奨制度の導入によってモデル性能が向上することが確認された。
論文 参考訳（メタデータ） (2021-06-14T23:47:36Z)
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。