三维注意力 Transformer 用于实时策略游戏中的情境评估
机器学习
2025-01-08 v1 人工智能
摘要
实时策略 (RTS) 游戏中的情境评估对于理解复杂对抗环境中的决策过程至关重要。然而，现有方法在处理多维特征信息和时序依赖性方面仍受限。本文提出了三维空间-时间-特征 Transformer (TSTF Transformer) 架构，通过三个相互独立但串联的模块（空间注意力、时间注意力和特征注意力）高效地建模战场情境。在由 3,150 组对抗实验组成的数据集上，8 层 TSTF Transformer 显示出优异的性能：在早期游戏 (~4% 进程) 中实现了 58.7% 的准确率，显著优于常规 Timesformer 的 41.8%；在中期游戏 (~40% 进程) 中达到 97.6% 的准确率，同时保持较低的性能波动（标准差 0.114）。此外，该架构所需参数数量 (475 万) 少于基准模型 (554 万)。我们的研究不仅为 RTS 游戏中的情境评估提供了新的见解，也为基于 Transformer 的多维时序建模提供了一种创新的范式。
关键词
引用
@article{arxiv.2501.03832,
title = {Three-dimensional attention Transformer for state evaluation in real-time strategy games},
author = {Yanqing Ye and Weilong Yang and Kai Qiu and Jie Zhang},
journal= {arXiv preprint arXiv:2501.03832},
year = {2025}
}
备注
9 pages, 5 figures