WikiEdge:ArXiv-2408.17180v1/terms：修订间差异
跳转到导航
跳转到搜索
Saved page by David |
Saved page by David |
||
| （未显示同一用户的1个中间版本） | |||
| 第1行： | 第1行： | ||
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17180v1/terms|action=edit}} 编辑]</div> | <div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17180v1/terms|action=edit}} 编辑]</div> | ||
这篇文章的术语表如下： | |||
* [[玩家对战玩家]]（Player versus Player, PvP）：指一种游戏模式，玩家在游戏中对抗其他玩家，而非电脑控制的对手。 | |||
* [[团队组合]]（Team Compositions）：在PvP游戏中，指玩家选择的角色、英雄或单位的组合。 | |||
* [[布拉德利-特里模型]]（Bradley-Terry Model）：一种统计模型，用于分析和比较两个项目或选手之间的相对实力。 | |||
* [[向量量化]]（Vector Quantization, VQ）：一种数据降维技术，通过将连续的数值映射到离散的代码本向量来实现。 | |||
* [[对抗网络]]（Adversarial Networks）：一种使用生成对抗过程训练的神经网络，通常用于生成数据或增强模型的鲁棒性。 | |||
* [[多智能体强化学习]]（Multi-agent Reinforcement Learning）：一种机器学习方法，涉及多个智能体在环境中交互并学习以达到共同或各自的目标。 | |||
* [[纳什均衡]]（Nash Equilibrium）：在博弈论中，指一种策略组合，其中每个玩家的策略都是对其他玩家策略的最佳响应。 | |||
* [[隐变量模型]]（Latent Variable Model）：一种统计模型，用于分析观测数据中未观测到的潜在变量对结果的影响。 | |||
* [[自我对弈]]（Self-Play）：一种训练人工智能的方法，通过让AI系统与自身的复制品进行对抗来学习策略和提高性能。 | |||
* [[策略熵]]（Policy Entropy）：在强化学习中，用于衡量策略随机性或多样性的度量，高熵表示策略具有更高的不确定性或探索性。 | |||
2024年9月3日 (二) 10:46的最新版本
这篇文章的术语表如下：
- 玩家对战玩家（Player versus Player, PvP）：指一种游戏模式，玩家在游戏中对抗其他玩家，而非电脑控制的对手。
- 团队组合（Team Compositions）：在PvP游戏中，指玩家选择的角色、英雄或单位的组合。
- 布拉德利-特里模型（Bradley-Terry Model）：一种统计模型，用于分析和比较两个项目或选手之间的相对实力。
- 向量量化（Vector Quantization, VQ）：一种数据降维技术，通过将连续的数值映射到离散的代码本向量来实现。
- 对抗网络（Adversarial Networks）：一种使用生成对抗过程训练的神经网络，通常用于生成数据或增强模型的鲁棒性。
- 多智能体强化学习（Multi-agent Reinforcement Learning）：一种机器学习方法，涉及多个智能体在环境中交互并学习以达到共同或各自的目标。
- 纳什均衡（Nash Equilibrium）：在博弈论中，指一种策略组合，其中每个玩家的策略都是对其他玩家策略的最佳响应。
- 隐变量模型（Latent Variable Model）：一种统计模型，用于分析观测数据中未观测到的潜在变量对结果的影响。
- 自我对弈（Self-Play）：一种训练人工智能的方法，通过让AI系统与自身的复制品进行对抗来学习策略和提高性能。
- 策略熵（Policy Entropy）：在强化学习中，用于衡量策略随机性或多样性的度量，高熵表示策略具有更高的不确定性或探索性。