Artificial Intelligence,Computer Science and Game Theory,Information Retrieval,Machine Learning,Multiagent Systems,هوش مصنوعی , علوم کامپیوتر و نظریه بازی , بازیابی اطلاعات , یادگیری ماشین , سیستم های چند منظوره
توضیحات
Submitted 30 August, 2024; originally announced August 2024. , Comments: TMLR 09/2024 https://openreview.net/forum?id=2D36otXvBE
توضیحات به فارسی
ارسال شده در 30 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: TMLR 09/2024 https://openreview.net/forum؟id=2d36otxvbe
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
How can balance be quantified in game settings? This question is crucial for game designers, especially in player-versus-player (PvP) games, where analyzing the strength relations among predefined team compositions-such as hero combinations in multiplayer online battle arena (MOBA) games or decks in card games-is essential for enhancing gameplay and achieving balance. We have developed two advanced measures that extend beyond the simplistic win rate to quantify balance in zero-sum competitive scenarios. These measures are derived from win value estimations, which employ strength rating approximations via the Bradley-Terry model and counter relationship approximations via vector quantization, significantly reducing the computational complexity associated with traditional win value estimations. Throughout the learning process of these models, we identify useful categories of compositions and pinpoint their counter relationships, aligning with the experiences of human players without requiring specific game knowledge. Our methodology hinges on a simple technique to enhance codebook utilization in discrete representation with a deterministic vector quantization process for an extremely small state space. Our framework has been validated in popular online games, including Age of Empires II, Hearthstone, Brawl Stars, and League of Legends. The accuracy of the observed strength relations in these games is comparable to traditional pairwise win value predictions, while also offering a more manageable complexity for analysis. Ultimately, our findings contribute to a deeper understanding of PvP game dynamics and present a methodology that significantly improves game balance evaluation and design.
چکیده به فارسی (ترجمه ماشینی)
چگونه می توان تعادل را در تنظیمات بازی اندازه گیری کرد؟این سؤال برای طراحان بازی ، به ویژه در بازی های بازیکن در مقابل-بازیکن (PVP) بسیار مهم است ، جایی که تجزیه و تحلیل روابط قدرتی بین ترکیب های تیم از پیش تعریف شده-مانند ترکیب های قهرمان در بازی های چند نفره آنلاین نبرد (MOBA) بازی یا عرشه در بازی های کارت ویزیتبرای تقویت گیم پلی و دستیابی به تعادل ضروری است.ما دو اقدام پیشرفته را توسعه داده ایم که فراتر از نرخ پیروزی ساده گرایانه برای تعیین کمیت تعادل در سناریوهای رقابتی صفر است.این اقدامات از برآورد ارزش WIN گرفته شده است ، که از تقریب رتبه بندی قدرت از طریق مدل بردلی-تری و تقریب رابطه ضد ارتباط از طریق کمیت بردار استفاده می شود ، و به طور قابل توجهی پیچیدگی محاسباتی مرتبط با برآورد ارزش پیروزی سنتی را کاهش می دهد.در طول فرآیند یادگیری این مدلها ، دسته های مفیدی از ترکیبات را شناسایی می کنیم و روابط ضد آنها را مشخص می کنیم ، بدون نیاز به دانش بازی خاص ، با تجربیات بازیکنان انسانی هماهنگ می شویم.روش شناسی ما به یک تکنیک ساده برای تقویت استفاده از کتاب کد در بازنمایی گسسته با یک فرآیند تعیین کننده وکتور قطعی برای یک فضای حالت بسیار کوچک وابسته است.چارچوب ما در بازی های آنلاین محبوب ، از جمله Age of Empires II ، Hearthstone ، Stars Brawl و League of Legends تأیید شده است.صحت روابط قدرت مشاهده شده در این بازی ها قابل مقایسه با پیش بینی های سنتی پیروزی زوج است ، در عین حال پیچیدگی قابل کنترل تری برای تجزیه و تحلیل دارد.در نهایت ، یافته های ما به درک عمیق تر از پویایی بازی PVP کمک می کند و روشی را ارائه می دهد که به طور قابل توجهی ارزیابی و طراحی تعادل بازی را بهبود می بخشد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
