[論文レビュー] Optimal Team Economic Decisions in Counter-Strike

Peter Xenopoulos, Bruno Coelho+1 more|arXiv (Cornell University)|Sep 20, 2021

Sports Analytics and Performance参考文献 7被引用数 6

ひとこと要約

本論文は、カウンターパンチ：グローバルオフェンス（CSGO）におけるゲームレベルの勝利確率モデルを導入し、特にラウンドごとの装備費の意思決定を評価する。チームのスコア、マネー、装備価値などの特徴を用いて、プロプレイにおける非最適な支出パターンを同定し、チームの成功と強い相関を示す「最適支出誤差（OSE）」という指標を導入する。この指標は、高リーチの状況においてしばしば支出が不足していることを明らかにしている。

ABSTRACT

The outputs of win probability models are often used to evaluate player actions. However, in some sports, such as the popular esport Counter-Strike, there exist important team-level decisions. For example, at the beginning of each round in a Counter-Strike game, teams decide how much of their in-game dollars to spend on equipment. Because the dollars are a scarce resource, different strategies have emerged concerning how teams should spend in particular situations. To assess team purchasing decisions in-game, we introduce a game-level win probability model to predict a team's chance of winning a game at the beginning of a given round. We consider features such as team scores, equipment, money, and spending decisions. Using our win probability model, we investigate optimal team spending decisions for important game scenarios. We identify a pattern of sub-optimal decision-making for CSGO teams. Finally, we introduce a metric, Optimal Spending Error (OSE), to rank teams by how closely their spending decisions follow our predicted optimal spending decisions.

研究の動機と目的

• 各ラウンドの開始時にチームの勝利確率を予測できるCSGO用のゲームレベルの勝利確率モデルを開発すること。
• さまざまなゲーム内シナリオにおけるチームの経済的意思決定（特に装備費の支出）を分析すること。
• プロのCSGOチームにおける体系的な非最適な支出行動を同定すること。
• 最適な経済的意思決定からの逸脱を定量化する新しい指標「最適支出誤差（OSE）」を導入し、妥当性を検証すること。
• マップ固有のトレーニングを必要とせずに、未プレイの新しいマップに対しても一般化できるかを評価すること。

提案手法

• モデルは各ラウンドの開始時のゲーム状態特徴（チームスコア、合計マネー、装備価値、購入タイプ（例：フルバイ、ハーフバイ、セーブ））を用いる。
• 複数のモデルアーキテクチャ（ロジスティック回帰、木ベースのモデル（XGBoost）、フィードフォワードニューラルネットワーク）を評価し、ログロスを指標として性能を測定する。
• マップ特徴はワンホットエンコーディング（OHE）で符号化し、マップ別モデルと比較することで一般化性能を評価する。
• ホールドアウトマップでのファインチューニング手順を適用し、新しいマッププールへの対応を模擬することでモデルの一般化をテストする。
• 最適支出誤差（OSE）は、ラウンドごとに実際の支出と予測された最適支出意思決定との平均偏差として計算される。
• モデルはプロのCSGOデモファイルで学習させ、ランクマッチのテストセットとしてのラウンドで評価する。

実験結果

リサーチクエスチョン

• RQ1 スコア差やラウンド結果に応じたさまざまなゲーム状態において、CSGOにおける最適なチーム支出戦略は何か？
• RQ2 プロマッチ全体を通じて、実際のチーム支出意思決定は予測された最適意思決定からどの程度逸脱しているか？
• RQ3 最適支出誤差（OSE）は、ラウンド勝率といった測定可能なチームパフォーマンス指標とどの程度相関しているか？
• RQ4 マップ固有の再トレーニングを必要とせずに、1つの統一モデルが未プレイの新しいマップに効果的に一般化できるか？
• RQ5 ニューラルネットワークとXGBoostの両方を含む、さまざまなモデルアーキテクチャ（例：ニューラルネットワーク対XGBoost）は、CSGOにおけるゲームレベルの勝利確率予測においてどの程度性能を発揮するか？

主な発見

• ゲームレベルの勝利確率モデルはベースラインのロジスティック回帰を大きく上回り、ニューラルネットワークが最も低いログロス（オーバーパスで0.646）を達成した。
• チームは高リーチ状況において一貫して支出を控えめにしている—特に第1ラウンドで敗北した後、Tサイドが第2ラウンドで支出を抑える傾向がある—これは非最適な経済的意思決定を示している。
• 最適支出誤差（OSE）はラウンド勝率と強い負の相関（r = -0.45）を示しており、OSEが低いチームほどパフォーマンスが優れていることを示している。
• モデルは新しいマップに対しても良好に一般化している：6つのマップで学習させた1つのモデルをホールドアウトマップ（例：バーティゴ）でファインチューニングすることで、マップ別モデルと同等のテストロスを達成した。
• マップ固有の特徴を含まないOHEモデルは、7つのケースのうち6つでマップ別モデルを上回り、データ量が一般化性能においてマップ固有の符号化よりも優位であることを示唆している。
• FaZeやNatus Vincereといった上位チームは低OSEを示している一方、Copenhagen Flames や NIP といった成績不振チームは高OSEを示しており、経済的非効率性が顕著である。