WikiEdge:ArXiv-2408.17180v1/methods

編輯

這篇研究論文的工作方法主要圍繞開發和應用先進的度量方法來量化玩家對戰（PvP）遊戲中團隊組合的平衡性。以下是這部分的主要內容：

1. 團隊組合平衡性量化：
   • 研究的核心問題是如何量化遊戲設置中的平衡性，特別是在PvP遊戲中，分析預定義團隊組合（如多人在線戰鬥競技場（MOBA）遊戲中的英雄組合或卡牌遊戲中的牌組）之間的強度關係對於增強遊戲性和實現平衡至關重要。
2. 贏值估計的擴展度量：
   • 開發了兩種超越簡單勝率的高級度量方法來量化零和競爭場景中的平衡性。這些度量方法源自贏值估計，通過Bradley-Terry模型進行強度評級近似，並通過向量量化進行對抗關係近似，顯著降低了與傳統贏值估計相關的計算複雜性。
3. 神經網絡與Bradley-Terry模型的結合：
   • 通過將Bradley-Terry模型與暹羅神經網絡結合，從遊戲結果中預測團隊組合的強度。這種標量強度評級有助於更有效地識別最強或主導組合。
4. 向量量化在對抗表學習中的應用：
   • 為了有效處理贏值的循環優勢或非傳遞性，提出了一個對抗表。這涉及檢查特定組合的實際贏結果與Bradley-Terry模型預測之間的差異，並通過神經離散表示學習來學習對抗表，從而提高預測精度並提供對抗動態的洞察，而無需特定的遊戲知識。
5. 提高碼本利用率的新VQ Mean Loss：
   • 在學習對抗表的過程中，發現傳統的向量量化（VQ）訓練導致碼本利用率低下，尤其是在碼本尺寸較小的情況下。因此，提出了一種新的VQ Mean Loss來改善這一新用例的碼本利用率。
6. 平衡性度量的創新：
   • 定義了新的遊戲平衡度量方法，通過計算非支配組合的數量來面對簡單勝率在計算上面臨的挑戰，這些方法包括Top-D Diversity和Top-B Balance，前者考慮了給定容忍勝率差距內的可玩組合數量，後者考慮了遊戲中有意義的對抗關係數量。
7. 複雜度的降低：
   • 通過將分析組合強度關係的複雜度從O(N^2)降低到O(N + M^2)，其中N是組合的數量，M是對抗表的類別計數，顯著降低了空間複雜度，這對於存儲和為遊戲設計師生成可行大小的平衡報告至關重要。
8. 實際遊戲驗證：
   • 該框架已在流行的在線遊戲如帝國時代II、爐石傳說、荒野亂鬥和英雄聯盟中得到驗證，觀察到的強度關係準確性與傳統的成對贏值預測相當，同時也提供了更好的通用性。