[논문 리뷰] Optimal Team Economic Decisions in Counter-Strike

Peter Xenopoulos, Bruno Coelho외 1명|arXiv (Cornell University)|2021. 09. 20.

Sports Analytics and Performance참고 문헌 7인용 수 6

한 줄 요약

이 논문은 컨트리뷰트 스트라이크: 글로벌 오펜시브(CSGO)에서 게임 수준의 승리 확률 모델을 도입하여 팀의 경제적 결정, 특히 라운드별 장비 지출을 평가한다. 팀 스코어, 금액, 장비 가치 등의 특징을 사용하여 프로 플레이에서 부적절한 지출 패턴을 식별하고, 최적 지출 오차(Optimal Spending Error, OSE)라는 지표를 제안한다. 이 지표는 팀 성공과 강한 상관관계를 보이며, 높은 영향력이 있는 상황에서 팀들이 종종 지출을 아끼는 경향이 있음을 드러낸다.

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.

연구 동기 및 목표

• 각 라운드 시작 시 팀의 승리 확률을 예측할 수 있는 CSGO 게임 수준의 승리 확률 모델을 개발하는 것.
• 다양한 게임 내 상황에서 팀의 경제적 결정—특히 장비 지출—을 분석하는 것.
• 프로 CSGO 팀에서 나타나는 체계적인 부적절한 지출 행동을 규명하는 것.
• 최적 경제 결정에서의 이탈을 수량화할 수 있는 새로운 지표인 최적 지출 오차(Optimal Spending Error, OSE)를 제안하고 검증하는 것.
• 모델이 지도별 훈련 없이도 새로운 플레이되지 않은 지도에 대해 일반화 가능한지 평가하는 것.

제안 방법

• 모델은 각 라운드 시작 시점의 게임 상태 특징을 사용한다: 팀 스코어, 총 금액, 장비 가치, 장비 구매 유형(예: 전체 구매, 반값 구매, 저축) 등.
• 다양한 모델 아키텍처를 평가한다: 로지스틱 회귀, 트리 기반 모델(XGBoost), 피드포워드 신경망이며, 성능은 로그 손실(log-loss)로 측정된다.
• 지도 특징은 원핫 인코딩(OHE)을 사용하여 인코딩하고, 각 지도별 모델과 비교하여 일반화 능력을 평가한다.
• 새로운 지도 풀에 대한 일반화 능력을 테스트하기 위해, 보류된 지도에서의 미세조정(fine-tuning) 절차를 적용한다.
• 최적 지출 오차(Optimal Spending Error, OSE)는 라운드별 실제 지출과 예측된 최적 지출 결정 간 평균 이격도로 계산된다.
• 모델은 프로 CSGO 데모 파일에서 훈련하고, 랭크된 매치의 테스트 세트 라운드에서 평가된다.

실험 결과

연구 질문

• RQ1 스코어 차이 및 라운드 결과와 같은 다양한 게임 상태에서 CSGO에서 최적의 팀 지출 전략은 무엇인가?
• RQ2 프로 매치 전반에 걸쳐 실제 팀의 지출 결정은 예측된 최적 결정에서 얼마나 벗어나는가?
• RQ3 최적 지출 오차(Optimal Spending Error, OSE)는 라운드 승리율과 같은 측정 가능한 팀 성과 지표와 얼마나 관련이 있는가?
• RQ4 일관된 단일 모델이 지도별 재학습 없이도 새로운 플레이되지 않은 지도에 효과적으로 일반화될 수 있는가?
• RQ5 신경망과 XGBoost와 같은 다양한 모델 아키텍처는 CSGO에서 게임 수준의 승리 확률을 예측하는 데 어떻게 비교되는가?

주요 결과

• 게임 수준의 승리 확률 모델은 베이스라인 로지스틱 회귀를 크게 능가하며, 신경망이 가장 낮은 로그 손실(오버패시스에서 0.646)을 기록했다.
• 팀들은 높은 영향력이 있는 상황—특히 첫 라운드에서 패배한 후 T 팀이 두 번째 라운드를 플레이할 때—일관되게 지출을 아낀다. 이는 부적절한 경제적 결정의 증거이다.
• 최적 지출 오차(Optimal Spending Error, OSE)는 라운드 승리율과 강한 음의 상관관계(r = -0.45)를 보이며, OSE가 낮은 팀일수록 성과가 뛰어나다는 것을 시사한다.
• 모델은 새로운 지도에 대해 잘 일반화된다: 6개의 지도에서 훈련하고 보류된 지도(예: 버티고)에서 미세조정한 단일 모델이 지도별 모델과 유사한 테스트 손실을 기록한다.
• 지도별 특징 없이 OHE를 사용한 모델이 7개의 경우 중 6개에서 각 지도별 모델을 능가하며, 이는 일반화 능력에서 데이터 양이 지도별 인코딩보다 더 중요하다는 것을 시사한다.
• FaZe와 Natus Vincere와 같은 상위 팀은 낮은 OSE를 보이며, 반면 코펜하겐 플레임스와 NIP와 같은 성과가 떨어지는 팀은 높은 OSE를 보이며 경제적 비효율성을 드러낸다.