回合制游戏中的序列推理学习：面向第一人称射击游戏购买决策的多任务序列生成
人工智能
2020-08-13 v1 机器学习
摘要
序列推理是一种复杂的人类能力，以往大量研究聚焦于单一连续游戏中的游戏AI，而延伸至一系列游戏的回合制决策制定仍较少被探索。反恐精英：全球攻势（CS:GO）作为具有丰富专家演示的回合制游戏，为多玩家回合制序列推理提供了优良环境。本文中，我们提出一种带有回合属性编码器与多任务解码器的序列推理器，以解释回合制购买决策背后的策略。我们采用少样本学习来采样一场比赛中的多个回合，并改进了模型无关元学习算法Reptile用于元学习循环。我们将每个回合建模为一个多任务序列生成问题。我们的状态表示结合了动作编码器、队伍编码器、玩家特征、回合属性编码器与经济编码器，以帮助智能体在此特定多玩家回合制场景下学习推理。完整的消融研究以及与贪婪方法的对比证明了我们模型的有效性。我们的研究将为理解情节性与长期购买策略的可解释AI打开大门，其影响超越游戏社区。
引用
@article{arxiv.2008.05131,
title = {Learning to Reason in Round-based Games: Multi-task Sequence Generation for Purchasing Decision Making in First-person Shooters},
author = {Yilei Zeng and Deren Lei and Beichen Li and Gangrong Jiang and Emilio Ferrara and Michael Zyda},
journal= {arXiv preprint arXiv:2008.05131},
year = {2020}
}
备注
16th AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (AIIDE-20)