ترجمه فارسی مقاله تخمین رتبه شطرنج از حرکات و زمان های ساعت با استفاده از CNN-LSTM

چکیده

Current rating systems update ratings incrementally and may not always accurately reflect a player’s true strength at all times, especially for rapidly improving players or very rusty players. To overcome this, we explore a method to estimate player ratings directly from game moves and clock times. We compiled a benchmark dataset from Lichess, encompassing various time controls and including move sequences and clock times. Our model architecture comprises a CNN to learn positional features, which are then integrated with clock-time data into a bidirectional LSTM, predicting player ratings after each move. The model achieved an MAE of 182 rating points in the test data. Additionally, we applied our model to the 2024 IEEE Big Data Cup Chess Puzzle Difficulty Competition dataset, predicted puzzle ratings and achieved competitive results. This model is the first to use no hand-crafted features to estimate chess ratings and also the first to output a rating prediction for each move. Our method highlights the potential of using move-based rating estimation for enhancing rating systems and potentially other applications such as cheating detection.

چکیده به فارسی (ترجمه ماشینی)

سیستم های رتبه بندی فعلی رتبه بندی ها را به صورت تدریجی به روز می کنند و ممکن است همیشه به طور دقیق قدرت واقعی بازیکن را در همه زمان ها منعکس نکند ، به خصوص برای بهبود سریع بازیکنان یا بازیکنان بسیار زنگ زده.برای غلبه بر این ، ما روشی را برای برآورد رتبه بندی بازیکن مستقیم از حرکات بازی و زمان ساعت کشف می کنیم.ما یک مجموعه داده معیار را از Lichess گردآوری کردیم ، شامل کنترل های مختلف زمانی و از جمله توالی های حرکت و زمان ساعت.معماری مدل ما شامل یک CNN برای یادگیری ویژگی های موقعیتی است ، که سپس با داده های ساعت در یک LSTM دو طرفه ادغام می شوند و رتبه بندی بازیکنان را پس از هر حرکت پیش بینی می کنند.این مدل در داده های آزمون به MAE از 182 امتیاز امتیاز رسید.علاوه بر این ، ما مدل خود را در 2024 IEEE Big Data Cup Chess Puzzle DataSet Datast Datast ، پیش بینی رتبه بندی پازل و به نتایج رقابتی به کار گرفتیم.این مدل اولین کسی است که از هیچ ویژگی دست ساز برای تخمین رتبه بندی شطرنج و همچنین اولین مورد برای تولید یک پیش بینی رتبه بندی برای هر حرکت استفاده می کند.روش ما پتانسیل استفاده از برآورد رتبه بندی مبتنی بر حرکت را برای تقویت سیستم های رتبه بندی و برنامه های دیگر بالقوه مانند تشخیص تقلب برجسته می کند.