许多事件在发生之前就可以预测，例如，很明显，如果一个更强大的敌方英雄从视线之外的区域接近一个玩流行 MOBA 游戏 Dota 2 的人，他的角色很快就会死亡。 但对人来说显而易见的事情对计算机来说并不总是那么容易，而且人并不总是能够跟踪游戏地图上发生的一切。 在 约克大学的研究人员题为“Time to Die：使用深度学习预测 Dota 2 中的角色死亡”，描述了他们如何训练 AI 在游戏角色实际死亡前 5 秒以相当高的准确度进行预测。
事实上，预测一个角色将在 5 秒内被杀死比乍看起来要困难一些。 平均一场比赛由 80 个单独的片段组成，在每个片段中，角色可以执行 000 种可能的（根据研究人员的计算）动作中的数十种。 平均而言，地图上的玩家在每个比赛片段中执行 170 次动作，从而进行超过 000 次游戏更改。
该研究的作者指出，角色的低健康状况并不总是与他的快速死亡密切相关，因为有些英雄具有治疗能力，并且还有用于治疗或传送的特殊物品。 考虑到所有这些因素，团队使用 Valve 提供的 Dota 2 比赛录像来训练神经网络，其中包含截至去年 5000 月 5000 日进行的 5 场职业比赛和 0,133 场半职业比赛。 在实际训练之前，对录音进行了预处理，将比赛转换为每个玩家的时间线，分为XNUMX秒的游戏时间段，其中刻度上的每个点都包含有关角色及其环境的完整数据集。
研究人员从所有游戏信息中确定了 287 个参数，例如角色的生命值、法力、力量、敏捷度和智力、可用的激活物品、随时可用的能力、英雄在地图上的位置、到最近的敌人和盟友防御塔的距离，以及一般回顾历史（玩家最后一次看到敌人的时间和地点）。 正如研究人员指出的，这些参数对于角色在不久的将来是否死亡或生存起着关键作用，其中最重要的作用是地图上的位置和评论的历史。
该论文的合著者写道：“玩家的行为受到最近的信息的影响。” “例如，如果敌人只是在视线之外，玩家仍然知道他在该区域的某个地方。 另一方面，如果敌人在几分钟前消失，那么从玩家的角度来看，他可能在任何地方。 这就是我们添加分析评论历史功能的原因。”
为了训练神经网络，科学家们使用了 2870 个输入（每 287 个玩家 10 个参数）和 57,6 万个数据点，保留 10% 的数据用于验证，另外 10% 用于测试。 在他们的实验中，团队发现，在要求 AI 预测任何一方 0,5447 名玩家中的哪一位英雄会在接下来的 XNUMX 秒内死亡的情况下，他们的平均准确度达到了 XNUMX。 此外，研究人员表示，该模型可以通过研究所有可能导致死亡的因素和情况来预测更长时间内的死亡。
科学家们指出，他们的方法有一定的局限性，即系统需要大量的游戏内信息（包括有关冠军看不见的敌方冠军的信息）才能做出预测，并且它可能与新版本的游戏不完全兼容。 然而，他们相信他们开发的模型可以在 ，对于评论员和玩家关注比赛进展时非常有用。
“电子竞技游戏非常复杂，由于游戏速度很快，游戏的平衡性可能会在几秒钟之内发生变化，而游戏地图的许多区域可能会同时发生各种事件。 它们发生得如此之快，以至于评论员或观众很容易错过比赛中的重要时刻，然后只看到其后果，”研究人员写道。 “同时，在 Dota 2 中，杀死敌方英雄是评论员和观众都感兴趣的关键事件。”
来源： 3dnews.ru