[논문 리뷰] Scalable Psychological Momentum Forecasting in Esports

Alfonso White, Daniela M. Romano|arXiv (Cornell University)|2020. 01. 01.

Gambling Behavior and Treatments참고 문헌 16인용 수 10

한 줄 요약

이 논문은 리그 오브 레전드에서 승리 결과를 예측하기 위해 순환 신경망과 플레이어 성능 데이터를 사용하여 확장 가능한 심리적 모멘텀 예측 시스템을 제안한다. 짧은 기간의 모멘텀과 타일트 효과를 플레이어 전문성과 함께 모델링함으로써, 드래フト 전·후 승리 예측에서 최신 기술 수준인 72.1%의 분류 정확도를 달성하며, 개인화된 인게임 및 세션 타이밍 추천을 가능하게 한다.

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.

연구 동기 및 목표

• . 연구는 e스포츠 성능에 영향을 주는 동적이고 맥락 민감한 요소로 심리적 모멘텀과 타일트를 모델링하고자 한다.
• 정적 역할 및 챔피언 데이터를 초월해 실시간 플레이어 성능 변동을 통합함으로써 승리 예측 정확도를 향상시키고자 한다.
• 모멘텀 상태에 기반해 최적의 드래프트 선택과 휴식 타이밍을 제안하는 추천 엔진을 개발하는 것을 목표로 한다.
• 타일트를 관리하기 위해 개인화된 알림을 통해 실시간으로 적응형 코칭을 제공하는 강화학습 에이전트를 구축하고자 한다.
• 금융, 비상 대응, 도박과 같은 고압적 분야에서의 모멘텀 모델링의 보다 넓은 응용 가능성을 탐색한다.

제안 방법

• . 시스템은 순환 신경망(RNN)을 사용하여 시간적 플레이어 성능 데이터를 바탕으로 심리적 모멘텀과 타일트의 동적 표현을 학습한다.
• 모델 정확도 향상을 위해 입력 특징에 자동 로그 스케일링을 적용하여 선형 모델과 신경망 모델 모두에 유리하게 작용한다.
• 기존에 훈련된 RNN 하위 네트워크를 미세 조정하여 기본 기량에서 모멘텀 영향을 분리함으로써, 모멘텀 전용 성능 추정치를 생성한다.
• 플레이어 전문성(Elo 레이팅)과 이력 승패 시퀀스를 통합하여 드래프트 단계 전후의 승리 확률을 예측한다.
• 강화학습을 활용한 적응형 알림 전략을 제안하며, 에이전트는 타일트 감소 메시지의 최적 타이밍과 내용을 선택한다.
• 플로우라는 데스크톱 앱을 통해 비방해적인 알림 방식으로 실시간 모멘텀과 타일트 추정치를 제공하며, 종단형 설문 조사 방식으로 사용자 피드백을 수집한다.

실험 결과

연구 질문

• RQ1 . 심리적 모멘텀과 타일트는 e스포츠 성능 예측에서 동적이고 시간 민감한 요소로 효과적으로 모델링될 수 있는가?
• RQ2 챔피언과 역할 선택에 기반한 전통적 모델과 비교했을 때, 모멘텀과 타일트를 통합함으로써 승리 예측 정확도는 얼마나 향상되는가?
• RQ3 학습된 모멘텀 표현은 어떤 정도까지 드래프트 선택과 휴식 타이밍에 대해 개인화된 실시간 추천을 가능하게 하는가?
• RQ4 강화학습 에이전트는 맥락 인식 알림을 통해 플레이어의 타일트를 효과적으로 관리하고 장기적인 성과 및 만족도를 향상시킬 수 있는가?
• RQ5 이 모멘텀 모델링 접근법은 금융 거래나 비상 대응과 같은 다른 고압적이고 일회성 활동으로 일반화될 수 있는가?

주요 결과

• . 제안된 모델은 로지스틱 회귀를 사용해 최신 기술 수준인 72.1%의 승리 예측 정확도를 달성하였으며, 전략적 플레이어 행동 클러스터링 기반 이전 연구 대비 2.0% 향상되었다.
• . 순환 신경망 모델은 기준 모델 대비 드래프트 전 단일 플레이어 분류 정확도에서 0.5% 상대적 향상을 기록했다.
• . 자동 로그 스케일링은 선형 모델의 정확도를 최대 1.3% 향상시키며, 신경망의 경우 최대 2.8% 향상되었다.
• . 시스템은 대규모 플레이어 이력 데이터에서 타일트 유발의 미세한 비선형 패턴과 모멘텀 변화 패tern을 효과적으로 학습하였다.
• . 예비 실험 결과, 그레디 알고리즘을 활용한 모멘텀 인식 드래프트 추천이 가능하며, 편향 없는 방법은 현재 개발 중이다.
• . 플로우 앱 프로토타입은 실시간 모멘텀과 타일트 시각화의 실현 가능성을 입증하였으며, 예측된 심리적 상태에 기반해 알림이 트리거된다.