[論文レビュー] Scalable Psychological Momentum Forecasting in Esports

Alfonso White, Daniela M. Romano|arXiv (Cornell University)|Jan 1, 2020

Gambling Behavior and Treatments参考文献 16被引用数 10

ひとこと要約

本論文は、リーグ・オブ・レジェンダーズにおける勝利結果を予測するため、再帰的ニューラルネットワーク（RNN）とプレイヤーのパフォーマンスデータを用いてスケーラブルな心理的モーメンタム予測システムを提案する。短期間のモーメンタムとチルト効果に加え、プレイヤーの熟練度をモデル化することで、ピック・フェーズ前後における勝利予測で最先端の72.1％の分類精度を達成し、ゲーム内およびセッションタイミングに最適化された個別化された推奨を可能にする。

ABSTRACT

The world of competitive Esports and video gaming has seen and continues to experience steady growth in popularity and complexity. Correspondingly, more research on the topic is being published, ranging from social network analyses to the benchmarking of advanced artificial intelligence systems in playing against humans. In this paper, we present ongoing work on an intelligent agent recommendation engine that suggests actions to players in order to maximise success and enjoyment, both in the space of in-game choices, as well as decisions made around play session timing in the broader context. By leveraging temporal data and appropriate models, we show that a learned representation of player psychological momentum, and of tilt, can be used, in combination with player expertise, to achieve state-of-the-art performance in pre- and post-draft win prediction. Our progress toward fulfilling the potential for deriving optimal recommendations is documented.

研究の動機と目的

• 本研究は、エスパーにおけるパフォーマンスに影響を与える動的で文脈に敏感な要因として、心理的モーメンタムとチルトをモデル化することを目的とする。
• 静的でない役割とチャンピオンデータに加え、リアルタイムでのプレイヤーのパフォーマンスの変動を組み込むことで、勝利予測の精度を向上させることを目的とする。
• モーメンタム状態に基づいて最適なピック選択とブレイクタイミングを推奨するレコメンデーションエンジンの開発を目的とする。
• チルトを管理するための個別化されたお知らせをリアルタイムで適応的に提供する、強化学習エージェントの構築を目的とする。
• ファイナンス、緊急対応、ギャンブルなど、高ストレスの分野へのモーメンタムモデルの応用可能性を検討する。

提案手法

• 本システムは、時間的プレイヤーのパフォーマンスデータを用いて、再帰的ニューラルネットワーク（RNN）を用いて心理的モーメンタムとチルトの動的表現を学習する。
• モデルの精度を向上させるために、入力特徴量に自動対数スケーリングを適用する。
• 事前学習済みのRNNサブネットワークを微調整し、ベースラインスキルからのモーメンタム要因を分離することで、モーメンタムのみのパフォーマンス推定値を生成する。
• モデルはプレイヤーの熟練度（Eloレーティング）と歴史的な勝敗シーケンスを統合し、ピックフェーズの前後における勝利確率を予測する。
• 強化学習を用いた適応型お知らせ戦略を提案し、エージェントがチルト低減メッセージの最適なタイミングと内容を選択する。
• Flowと呼ばれるデスクトップアプリは、不顕在なお知らせを通じてリアルタイムでモーメンタムとチルト推定値を提供し、縦断的アンケートを通じてユーザーのフィードバックを収集する。

実験結果

リサーチクエスチョン

• RQ1 心理的モーメンタムとチルトは、エスパーのパフォーマンス予測において、動的で時間に依存する要因として効果的にモデル化可能だろうか？
• RQ2 モーメンタムとチルトを組み込むことで、チャンピオンと役割選択にのみ依存する従来のモデルと比較して、勝利予測の精度はどの程度向上するのか？
• RQ3 学習されたモーメンタム表現は、ピック選択とブレイクタイミングに関する個別化されたリアルタイム推奨をどの程度可能にするのか？
• RQ4 強化学習エージェントは、文脈に即したお知らせを用いて、長期的なパフォーマンスと満足度の向上を実現する形でプレイヤーのチルトを効果的に管理できるだろうか？
• RQ5 このモーメンタムモデルのアプローチは、ファイナンス取引や緊急対応など、他の高ストレス的で一時的な活動への一般化が可能だろうか？

主な発見

• ロジスティック回帰を用いた本モデルは、戦略的プレイヤー行動クラスタリングに基づく先行研究と比較して2.0％の向上を示し、72.1％という最先端の勝利予測精度を達成した。
• 再帰的ニューラルネットワークモデルは、ベースラインモデルと比較して、ピックフェーズ前の単一プレイヤー分類精度で0.5％の相対的向上を示した。
• 自動対数スケーリングにより、線形モデルでは最大1.3％、ニューラルネットワークでは2.8％の精度向上が達成された。
• 本システムは、大規模なプレイヤー履歴データからチルト発症やモーメンタムの変化に関連する微細で非線形なパターンを効果的に学習した。
• 予備実験では、グリーディアルゴリズムを用いてモーメンタムに配慮したピック推奨を生成できることが示されたが、バイアスのない手法は現在開発中である。
• Flowアプリのプロトタイプは、リアルタイムでのモーメンタムとチルトの可視化の実現可能性を示しており、予測された心理状態に基づいてお知らせがトリガーされる。