Automatic Generation of Alternative Starting Positions for Simple Traditional Board Games
IIT Kanpur（印度理工学院坎普尔分校）；IST Austria（奥地利科学技术研究所）；Microsoft Research Redmond（微软研究院雷德蒙德分院）
井字游戏和CONNECT-4等简单棋盘游戏不仅在数学和逻辑技能的发展方面发挥着重要作用，而且在情感和社交发展方面也发挥着重要作用。在本文中，我们解决的问题，产生有针对性的起始位置，这样的游戏。这可以促进新的方法，使新手玩家掌握，也导致发现有趣的游戏变种。我们提出了一种方法，产生不同的硬度水平的球员~ $1$在一个两人的棋盘游戏的起始状态，给定的棋盘游戏的规则，所需的步骤数的球员~ $1$赢得，和两个球员的专业水平。我们的方法利用符号方法和迭代模拟来有效地搜索极大的状态空间。我们目前的实验结果，包括发现几个简单的基于网格的棋盘游戏的不同硬度水平的状态。对于像$4 \times 4$ Tic-Tac-Toe这样的标准游戏变体，这种状态的存在打开了要玩的新游戏，这些新游戏从未被玩过，因为默认开始状态是严重偏置的。
2014-11-14 cs.AI
Automatic Bug Detection in LLM-Powered Text-Based Games Using LLMs
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）；Salesforce Research（Salesforce研究院）；Harvard University（哈佛大学）
针对LLM驱动的文本游戏中逻辑与设计缺陷缺乏自动检测的问题，提出基于LLM的系统方法，从玩家日志自动识别缺陷，在DejaBoom!上验证有效。
2024-06-06 cs.AI cs.CL cs.HC
Knock, knock. Who's there? -- Identifying football player jersey numbers with synthetic data
Amazon Web Services（亚马逊云科技）
运动员自动识别是体育视频分析中一项重要而复杂的任务。多年来已经设计了不同的策略，但基于球衣号码的识别是最常见的方法之一，因为它的通用性和相对简单。然而，由于摄像机角度不断变化、视频分辨率较低、广角镜头中物体尺寸较小以及球员姿势和动作的瞬时变化，球衣号码的自动检测仍然具有挑战性。在本文中，我们提出了一种新的方法，球衣号码识别在一个小的，高度不平衡的数据集，从西雅图海鹰队的实践视频。我们的研究结果表明，简单的模型可以在球衣号码检测任务上实现可接受的性能，并且合成数据可以显着提高性能（总体准确度提高约9%，低频号码提高约18%），使我们的方法达到最先进的结果。
2022-04-04 cs.AI cs.CV
Colwell's Castle Defence: A Custom Game Using Dynamic Difficulty Adjustment to Increase Player Enjoyment
College of Engineering and Informatics, National University of Ireland, Galway（爱尔兰国立高威大学工程与信息学院）
动态难度调整（英语：Dynamic Difficulty Adjustment，简称DDA）是一种在电子游戏中使用的机制，可以自动调整个人游戏体验，以匹配适当的难度设置。这通常是通过删除预定义的难度等级，如容易，中等和困难，而是集中在平衡游戏，以匹配挑战个人的能力。本文介绍的工作探讨了DDA的自定义生存游戏开发的作者，即科尔韦尔的城堡防御的实施。这个街机风格的游戏的前提是保卫一个城堡从成群的迎面而来的敌人。我们开发的AI系统会根据玩家当前的表现调整敌人的产卵率。具体来说，我们在每个关卡结束时读取玩家生命值“与”门生命值，然后为玩家分配相应的难度等级。我们测试了我们的技术对30名人类玩家的影响，并根据问卷反馈得出结论，启用该技术可以带来更愉快的游戏体验。
2018-06-12 cs.AI cs.HC
GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters
University of Eastern Finland（东芬兰大学）；National University of Singapore（新加坡国立大学）
与作弊者一起玩游戏并不有趣，在拥有数亿玩家的数十亿美元的视频游戏行业中，游戏开发商旨在通过防止作弊来提高安全性，从而提高游戏的用户体验。传统的基于软件的方法和统计系统在防止作弊方面都取得了成功，但最近在自动生成内容（如图像或语音）方面的进展威胁到了视频游戏行业;它们可能被用来生成与合法人类玩家无法区分的人工游戏。为了更好地理解这种威胁，我们首先回顾了多人视频游戏作弊的现状，然后继续构建概念验证方法GAN-Aimbot。通过从第一人称射击游戏中的各个玩家收集数据，我们表明该方法提高了玩家的性能，同时保持隐藏的自动和手动保护机制。通过分享这项工作，我们希望提高人们对这个问题的认识，并鼓励进一步研究保护游戏社区。
2022-05-14 cs.AI cs.CR cs.LG
Design of Emergent and Adaptive Virtual Players in a War RTS Game
Universidad de Málaga（马拉加大学）
基本上，在（单人）战争实时的战略（wRTS）游戏中，人类玩家实时的控制一支由许多士兵组成的军队，她的目标是摧毁对手的资产，其中对手是虚拟的（即，非人类玩家控制的）玩家，其通常由预编程的决策脚本组成。这些脚本通常与一些众所周知的问题相关联（例如，可预测性、非理性、重复性行为和人为愚蠢的感觉等）。本文描述了一种自动生成适应玩家技能的虚拟玩家的方法，首先建立玩家在游戏中实时的行为模型，然后在两个游戏之间通过该模型进一步演化虚拟玩家。本文还显示了一个球员wRTS游戏，专门为实验构建的初步结果。
2012-01-15 cs.AI cs.NE
Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling
UC San Diego（加州大学圣迭戈分校）
了解球员的投篮特征是篮球分析的重要组成部分：了解某些对手球员喜欢从哪里投篮可以帮助教练抵消对手的进攻计划;了解他们的球员最舒服的地方可以让他们制定更有效的进攻策略。一个能够及时提供这些表现概况的自动工具对于教练来说是非常宝贵的，可以最大限度地提高他们的比赛计划的有效性以及用于练习和其他相关活动的时间。此外，篮球是由许多变量，如游戏风格和游戏动态，可以改变游戏的流程，并通过扩展，球员的表现配置文件。至关重要的是，性能配置文件可以反映不同的游戏风格，以及游戏的快速变化的动态。我们提出了一个工具，可以及时可视化的球员表现配置文件，同时考虑到因素，如发挥风格和游戏动态。我们的方法生成了可解释的热图，使我们能够识别和分析非空间因素（如游戏动态或游戏风格）如何影响玩家的表现。
2023-03-17 cs.AI cs.LG
Evolutionary Search in the Space of Rules for Creation of New Two-Player Board Games
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（加齐大学工程科学与技术学院）；Al Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛目穆罕默德·伊本·沙特伊斯兰大学）；National University of Computer and Emerging Science（国立计算机与新兴科学大学）
游戏一直是人工智能技术的热门试验平台。游戏开发者总是在不断地寻找能够自动创建计算机游戏的技术，以最小化开发者的任务。在这项工作中，我们提出了一个进化策略为基础的解决方案自动生成的两个球员的棋盘游戏。为了指导游戏的进化过程，这是娱乐，我们提出了一套指标。这些度量基于计算机游戏中的不同娱乐理论。这项工作还比较了娱乐价值的进化游戏与现有的流行的基于棋盘的游戏。进一步地，为了用人类用户的娱乐价值来验证演进游戏的娱乐价值，进行人类用户调查。除了用户调查，我们检查的可学习性的进化游戏使用人工神经网络为基础的控制器。所提出的度量和进化过程可以用于生成新的和有趣的棋盘游戏，提供初始搜索空间给进化算法。
2014-06-01 cs.AI cs.NE
Automatic Curriculum Design for Zero-Shot Human-AI Coordination
Department of AI Convergence, Gwangju Institute of Science and Technology（人工智能融合系，全州科学技术研究院）；School of Integrated Technology, Gwangju Institute of Science and Technology（整合技术学院，全州科学技术研究院）
本文提出面向零样本人机协同的自动课程设计方法，通过设计效用函数和协作者采样策略扩展多智能体UED，在Overcooked-AI中显著提升了未知环境下的人机协调性能。
2025-08-21 cs.AI
Collaborative Storytelling and LLM: A Linguistic Analysis of Automatically-Generated Role-Playing Game Sessions
Università degli Studi di Salerno（萨勒诺大学）
本研究通过语言学分析，比较LLM生成的RPG会话与人类对话、人类RPG记录及书籍的词汇和句法特征，发现LLM文本具有独特模式，揭示了训练对其表达方式和叙事能力的影响。
2025-03-26 cs.AI cs.CL
Self-Learning for Player Localization in Sports Video
本文介绍了一种新的自学习框架，自动化的标签采集过程，以提高模型检测球员在体育比赛的广播镜头。与大多数以前的自学习方法，以提高基于外观的对象检测器从视频，我们允许一个未知的，不受约束的目标对象的数量在一个更广义的视频序列与非静态相机的意见。我们的自学习方法使用一个潜在的SVM学习算法和可变形的部分模型来表示球员的形状和颜色信息，约束他们的运动，并学习一个温和的Adaboost算法的运动场的颜色。我们结合这些图像线索，并从未标记的数据中自动发现额外的标签。在我们的实验中，我们的方法利用稀疏标记的体育比赛视频中的标记和未标记数据，当视频包含很少的标记图像时，检测体育运动员和改进跟踪的平均精度的平均性能提高了20%以上。
2013-07-27 cs.AI cs.CV
An efficient machine learning approach for extracting eSports players distinguishing features and classifying their skill levels using symbolic transfer entropy and consensus nested cross validation
Staffordshire University（斯塔福德郡大学）；New York Institute of Technology（纽约理工学院）；Azad University（阿扎德大学）
本文提出一种基于符号传递熵和共识嵌套交叉验证的高效机器学习方法，用于提取电子竞技玩家区分特征并分类技能水平，达到90.1%准确率，可推广至体育训练。
2024-05-08 cs.AI cs.CY cs.HC
Runner re-identification from single-view running video in the open-world setting
Graduate School of Informatics, Nagoya University（名古屋大学情报学研究科）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
针对开放世界下无标注单视角跑步视频的跑步者重识别需求，提出结合目标检测、跟踪与无监督特征提取（融合鞋部局部特征与跑步动态特征）的重识别系统，在跑步训练视频数据集上准确率优于部分现有无监督重识别模型。
2024-04-17 cs.AI cs.CV cs.LG
Automated Playtesting with Procedural Personas through MCTS with Evolved Heuristics
Northeastern University（东北大学）；New York University（纽约大学）；University of Malta（马耳他大学）
本文描述了一种生成式玩家建模方法及其在游戏内容自动测试中的应用，该方法使用称为程序角色的原型玩家模型。在心理决策理论的理论基础上，程序人物角色的实现使用蒙特卡罗树搜索（MCTS）的变化，其中节点选择标准的开发使用演化计算，取代标准的UCB 1标准的MCTS。使用这些人物角色，我们演示了如何生成的球员模型可以应用到不同的语料库的游戏水平，并演示了如何不同的游戏风格，可以制定在每个级别。简而言之，我们使用人工智能人物角色来构建合成游戏测试员。所提出的方法可以被用作自动播放测试时，人类的反馈是不容易获得的，或者当潜在的互动是必要的快速可视化的工具。可能的应用包括游戏开发期间的交互式工具或程序内容生成系统，其中必须在短时间内进行许多评估。
2018-02-19 cs.AI
Mortar: Evolving Mechanics for Automatic Game Design
University of the Witwatersrand（沃尔特·冯·斯特拉特大学）；New York University（纽约大学）
Mortar通过结合质量-多样性算法和大语言模型，自主演化游戏机制，以生成多样且可玩的游戏，并提升玩家技能排序的得分。
2025-12-31 cs.AI
Player-Driven Emergence in LLM-Driven Game Narrative
Microsoft Research（微软研究院）
本研究通过 GPT-4 驱动的文本冒险游戏，发现玩家与大语言模型的交互能产生非预设的叙事涌现节点，且偏好探索的玩家更易促成这种涌现。
2024-06-03 cs.AI cs.CL
Automatic Generation of Board Game Manuals
Maastricht University（马斯特里赫特大学）
在本文中，我们提出了一个过程中自动生成手册的棋盘游戏中的Ludii一般游戏系统。这个过程需要解决许多不同的子任务，例如Ludii游戏描述的英文翻译，移动可视化，突出显示获胜移动，策略解释等。然后将这些方面结合起来，为任何给定的游戏创建一个完整的手册。本手册旨在为游戏的规则和机制提供更直观的解释，特别是对于不太熟悉Ludii游戏描述语言和语法的玩家。
2021-09-20 cs.AI
AutoHarness: improving LLM agents by automatically synthesizing a code harness
Google DeepMind（谷歌DeepMind）
通过自动合成代码框架，Gemini-2.5-Flash在多个游戏中超越大模型，提升性能并降低成本。
2026-02-10 cs.AI cs.CL
Learning Explainable Representations of Complex Game-playing Strategies
North Carolina State University（北卡罗来纳州立大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Tata Research Development and Design Centre（塔塔研究开发与设计中心）；Northeastern University（东北大学）
本文提出一种类似人类认知的策略，将强化学习代理的游戏策略综合为可执行程序，以学习可解释的表示，并在国际象棋和网格环境中验证其有效性。
2026-10-07 cs.AI cs.LG
Towards Automatic Design of Factorio Blueprints
University of St Andrews（圣安德鲁斯大学）
本研究针对《异星工厂》蓝图最优设计这一融合多类经典问题的组合优化难题，探索了约束模型在平衡正确性、最优性与性能的前提下优化游戏蓝图的可行性，提出了全新的挑战性研究问题。
2023-10-02 cs.AI
Taking the Scenic Route: Automatic Exploration for Videogames
Design Reasoning Lab（设计推理实验室）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
机器游戏测试工具和游戏时刻搜索引擎如果要报告或索引可能的游戏中最有趣的时刻，就需要接触游戏状态空间的多样性。与此同时，移动应用程序分发服务希望快速确定新上传的游戏是否适合发布。访问游戏中可达状态的语义映射将使这些应用程序能够进行有效的推理。然而，人类游戏数据相对于其提供的游戏的覆盖范围而言是昂贵的。我们表明，现成的自动探索策略可以探索与人类的游戏在同一时间尺度上的有效性。我们贡献的通用方法量化探索质量作为时间的函数，并展示了我们的度量的几个基本技术和人类玩家的商业游戏的集合从多个游戏平台（从雅达利2600到任天堂64）。强调的多样性达到的状态和提取的语义图，这项工作的重点是找到一个行为政策或优化游戏得分在大多数自动玩游戏的研究，使生产力的对比。
2018-12-07 cs.AI cs.HC
"Press Space to Fire": Automatic Video Game Tutorial Generation
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
我们提出的问题的教程生成的游戏，即生成教程，可以教玩家玩游戏，作为一个AI问题。这个问题可以通过几种方式来解决，包括生成游戏规则的自然语言描述，生成指导性的游戏关卡，以及生成如何使用以类似人类的方式玩游戏的代理来玩游戏的演示。我们进一步认为，通用视频游戏AI框架为解决这个问题提供了一个有用的测试平台。
2018-05-30 cs.AI
Mimicking Playstyle by Adapting Parameterized Behavior Trees in RTS Games
University of Opole（奥波莱大学）
行为树（BT）的发现影响了游戏中的人工智能（AI）领域，它提供了非玩家角色（NPC）逻辑的灵活和自然的表示，可由游戏设计师管理。尽管如此，越来越多的压力对越来越好的NPC AI代理人迫使手工制作的BT的复杂性变得难以驾驭和容易出错。另一方面，虽然许多刚刚推出的在线游戏都面临玩家短缺的问题，但具有广泛功能的AI的存在可能会增加玩家的保留率。因此，为了应对上述挑战，该领域的最新趋势集中在自动创建AI代理：从深度学习技术到BT的组合（约束）优化和进化。在本文中，我们提出了一种新的方法来半自动构建人工智能代理，模仿和推广给定的人类游戏，通过适应和调整专家创建的BT源和BT游戏之间的相似性度量。为此，我们制定了混合离散-连续优化问题，其中拓扑和功能的变化的BT反映在数值变量，并构建了一个专用的混合元启发式。在一个原型实时策略游戏中，实验验证了该方法的性能。实验结果证实了所提出的方法的有效性和前景，这是要应用在商业游戏。
2021-11-23 cs.AI
Generating Levels That Teach Mechanics
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
游戏教程的自动生成是一个具有挑战性的人工智能问题。虽然可以生成向玩家解释如何玩游戏的注释和说明，但本文的重点是生成向玩家介绍游戏机制的游戏体验。它为Mario AI框架发展了一些小级别，只有知道如何在游戏中执行特定动作的代理才能击败这些级别。它使用了一个完美的A* 代理的变体，这些代理在各种方面受到限制，例如不能跳得很高或看到敌人，以测试如何不做某些动作可以阻止玩家击败关卡。
2018-10-01 cs.AI
Automatic Game Design via Mechanic Generation
Georgia Institute of Technology（佐治亚理工学院）
游戏设计通常以游戏机制为中心--控制游戏逻辑发展的规则。我们寻求开发一种生成计算机游戏的智能系统。作为实现这一目标的第一步，我们提出了一个可组合的和跨域的游戏机制表示，从人工智能规划动作表示。我们使用一个约束求解器来生成力学受设计要求的形式，这些力学-他们在游戏中做什么。一个计划者会获取一组生成的机制，并测试这些机制是否满足可玩性要求--控制机制在游戏中如何影响玩家行为。我们展示了我们的系统建模和生成机制的角色扮演游戏，平台游戏，并结合角色扮演平台游戏。
2019-08-04 cs.AI
On Measuring the Impact of Human Actions in the Machine Learning of a Board Game's Playing Policies
我们系统地研究了人工干预对策略棋盘游戏中计算机玩家训练的影响。在该游戏中，计算机玩家利用神经网络的强化学习来发展他们的游戏策略，并表现出缓慢的学习速度。人工干预可以显著提高学习性能，但系统地进行它似乎是一个集成的游戏开发环境，而不是自动进化学习的问题。
2006-11-30 cs.AI cs.GT cs.NE
Interpretable Contextual Team-aware Item Recommendation: Application in Multiplayer Online Battle Arena Games
Pontificia Universidad Católica de Chile（智利天主教大学）；Millennium Institute Foundational Research on Data, IMFD（千年数据基础研究所）
视频游戏行业已经采用推荐系统来提高用户对游戏销售的兴趣。视频游戏中的其他令人兴奋的应用程序是那些帮助玩家做出决定，最大限度地提高他们的游戏体验的应用程序，这是实时战略视频游戏中的一个理想功能，例如多人在线战斗竞技场（MOBA），如DotA和LoL。在这些任务中，考虑到游戏的上下文性质以及它如何暴露对每个团队形成的依赖性，物品的推荐是具有挑战性的。现有的工作在这个主题上不利用所有可用的上下文匹配数据，并驳回潜在的有价值的信息。为了解决这个问题，我们开发了TTIR，这是一个上下文推荐模型，它来自于Transformer神经架构，根据描述匹配的团队和角色的上下文，向每个团队成员推荐一组项目。TTIR优于几种方法，并通过注意力权重的可视化提供可解释的建议。我们的评估表明，无论是Transformer架构和上下文信息是必不可少的，以获得最佳的结果，这个项目的推荐任务。此外，初步的用户调查表明，有用的注意力权重解释的建议，以及对未来工作的想法。代码和数据集可在https://github.com/ojedaf/IC-TIR-Lol上获得。
2020-07-30 cs.AI cs.IR
RL-LLM-DT: An Automatic Decision Tree Generation Method Based on RL Evaluation and LLM Enhancement
提出RL-LLM-DT方法，结合强化学习评估与大型语言模型增强，自动迭代改进决策树，在冰壶游戏中取得排名第一的成绩，实现游戏AI策略的自动化优化。
2024-12-17 cs.AI cs.LG
It Takes Four to Tango: Multiagent Selfplay for Automatic Curriculum Generation
UC Berkeley（加州大学伯克利分校）；UCLA（加州大学洛杉矶分校）
我们有兴趣训练通用的强化学习代理，可以解决各种各样的目标。有效地训练这样的代理需要自动生成目标课程。这是具有挑战性的，因为它需要（a）探索难度增加的目标，同时确保代理（b）以样本有效的方式暴露于不同的目标集合，并且（c）不会灾难性地忘记先前解决的目标。我们提出了课程自我发挥（CuSP），自动目标生成框架，旨在满足这些desiderata凭借一个多人游戏与四个代理。我们扩展了PAIRED中的非对称课程学习（Dennis等人，2020）到一个对称的游戏，仔细平衡两个政策外的学生学习者和两个遗憾最大化的教师之间的合作和竞争。CuSP还引入了熵目标覆盖率，并考虑了学生的非平稳性质，使我们能够自动诱导一个平衡渐进探索与反灾难性剥削的课程。我们证明，我们的方法成功地生成一个有效的课程的目标范围内的控制任务，优于其他方法在zero-shot测试时推广到新的分布外的目标。
2022-02-22 cs.AI cs.LG cs.MA
Demonstrating the Feasibility of Automatic Game Balancing
游戏平衡是（电脑）游戏设计过程中的一个重要部分，在这个过程中，设计师会调整游戏原型，使最终的游戏尽可能具有娱乐性。在工业界，对游戏的评估通常是基于对人类玩家进行的昂贵的游戏测试。它建议自己使用代理模型来自动化这个过程，以预测游戏和结果。在本文中，自动平衡使用模拟和甲板为基础的目标的可行性进行了研究，为纸牌游戏顶王牌。此外，一个多目标的方法的必要性断言的比较与唯一已知的（单目标）的方法。我们应用多目标进化算法来获得优化目标的甲板，例如，赢率和平均技巧数，以表达公平和顶级王牌游戏的兴奋。结果进行了比较，从甲板上公布的顶王牌甲板使用基于模拟的目标。证明了在这些目标方面产生更好或至少与已发布的顶王牌甲板一样好的甲板的可能性。我们的研究结果表明，自动平衡与所提出的方法是可行的，即使是更复杂的游戏，如实时战略游戏。
2016-03-11 cs.AI cs.HC cs.NE
AtDelfi: Automatically Designing Legible, Full Instructions For Games
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
介绍了一种全自动生成电子游戏教程的方法。AtDELFI系统（Automatically DESIGNING LECUBLE，Full Instructions for games）是为了研究如何通过程序生成指导玩家如何玩电子游戏的指令而创建的。我们提出了一种表示的游戏规则和力学使用图形系统以及教程生成方法，使用所述图形表示。我们证明了这个概念，通过测试它的一般视频游戏人工智能（GVG-AI）框架内的游戏，本文讨论了八个不同的游戏生成的教程。我们的研究结果表明，图形表示方案适用于简单的街机风格的游戏，如太空入侵者和吃豆人，但它似乎更复杂的游戏教程可能需要更高层次的游戏理解，而不仅仅是单一的机制。
2018-09-17 cs.AI
Monte Carlo Search Algorithm Discovery for One Player Games
University of Liège（列日大学）
目前人工智能和游戏中的许多研究都致力于蒙特卡罗搜索（MCS）算法。虽然寻求一种能够在所有问题上表现良好的统一MCS算法是人工智能的主要兴趣，但从业者通常提前知道他们想要解决的问题，并花费大量时间利用这些知识以问题驱动的方式定制他们的MCS算法。我们提出了一个MCS算法的发现计划，以自动和可重复的方式来执行这一点。我们首先介绍了一个语法的MCS算法，使诱导一个丰富的候选算法空间。然后，我们在这个空间中搜索对于给定的训练问题分布平均表现最好的算法。我们依靠多武装土匪近似解决这个优化问题。在三个不同的域上生成的实验表明，我们的方法可以发现优于几个著名的MCS算法，如适用于树和嵌套蒙特卡罗搜索的置信上限算法。我们还表明，所发现的算法通常是相当强大的变化在训练问题的分布。
2012-12-18 cs.AI cs.GT
Towards Automatic Soccer Commentary Generation with Knowledge-Enhanced Visual Reasoning
Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
本文提出GameSight模型，通过视觉推理与知识增强生成更准确的足球解说，提升解说质量与上下文相关性。
2026-03-31 cs.AI cs.MM
Domain-Guided Masked Autoencoders for Unique Player Identification
University of Waterloo（滑铁卢大学）
针对体育视频中球员识别受运动模糊等干扰的问题，提出域引导掩码策略d-MAE及时空网络，在三个数据集上超越现有方法，准确率提升显著。
2024-03-17 cs.AI cs.CV
Self-adaptive PSRO: Towards an Automatic Population-based Game Solver
Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
针对PSRO框架依赖手工调参的应用瓶颈，研究提出参数化PSRO及基于Transformer离线超参数优化的自适应PSRO（SPSRO），在多种两人零和博弈上表现优于基线方法。
2024-04-17 cs.AI cs.GT cs.MA
Jersey Number Recognition using Keyframe Identification from Low-Resolution Broadcast Videos
University of Waterloo（滑铁卢大学）
针对低分辨率视频中球衣号码难以识别的问题，提出关键帧识别模块结合时空网络与多任务损失函数，在SoccerNet数据集上使两个测试集准确率分别提升37.81%和37.70%。
2023-09-12 cs.AI cs.CV
DeepStack: Expert-Level Artificial Intelligence in No-Limit Poker
University of Alberta（阿尔伯塔大学）；Charles University（查理大学）；Czech Technical University（捷克技术大学）
近年来，人工智能取得了多项突破，而游戏往往是其中的里程碑。这些博弈的一个共同特点是参与者拥有完美的信息。扑克是典型的不完全信息博弈，也是人工智能中一个长期存在的挑战性问题。我们引入DeepStack，这是一种用于不完美信息设置的算法。它结合了递归推理来处理信息不对称，分解将计算集中在相关决策上，以及使用深度学习从自我游戏中自动学习的直觉形式。在一项涉及44，000手扑克的研究中，DeepStack在无限制德州扑克中击败了具有统计学意义的专业扑克玩家。该方法在理论上是合理的，并被证明比以前的方法更难利用的策略。
2017-03-03 cs.AI
Deep Reinforcement Learning for 5*5 Multiplayer Go
LAMSADE, Université Paris Dauphine - PSL, CNRS（巴黎多芬大学-PSL大学、法国国家科学研究中心）；University of New South Wales（新南威尔士大学）
本文研究多人围棋（超过两名玩家）的自动对弈，采用结合蒙特卡洛树搜索与深度强化学习的AlphaZero和Descent算法，实验表明该方法能有效提升游戏水平。
2024-05-23 cs.AI
Automatic Mapping of NES Games with Mappy
University of California at Santa Cruz（加州大学圣克鲁兹分校）
游戏地图对于人类玩家、一般的游戏代理和数据驱动的过程内容生成非常有用。这些地图通常是通过手工组装手工创建的游戏关卡截图制作的。除了繁琐和容易出错之外，这种方法还需要为每个新游戏和要映射的关卡付出额外的努力。这些结果对于人类或计算系统来说仍然很难利用，将视觉外观置于语义信息之上。我们描述了一个软件系统，地图，产生一个很好的近似的链接地图的房间给定的任天堂娱乐系统游戏程序和一个序列的按钮输入探索它的世界。除了可视化地图，Mappy还输出瓦片网格（以及它们如何随时间变化）、非瓦片对象的位置、可能实际上是同一个房间的类似房间的集群，以及这些房间之间的一组链接。我们相信这是通过机器学习和其他应用程序为PCG开发更大的高质量语义注释地图语料库的必要一步。
2017-07-12 cs.AI
Feint Behaviors and Strategies: Formalization, Implementation and Evaluation
Brown University（布朗大学）；The Chinese University of Hong Kong（香港中文大学）
本文首次从动作与策略层面形式化佯攻行为，提出回文导向模板、双行为模型及 MARL 统一实现方案，实验证明其可提升奖励与多样性且开销极低。
2025-06-07 cs.AI cs.GT
Automatic Long-Term Deception Detection in Group Interaction Videos
Dartmouth College（达特茅斯学院）；University of Arizona（亚利桑那大学）；University of California Santa Barbara（加州大学圣巴巴拉分校）
大多数关于视频中自动欺骗检测（ADD）的工作都有两个限制：（i）它专注于一个人的视频，以及（ii）它专注于一两分钟视频中的单个欺骗行为。在本文中，我们提出了一个新的ADD框架，捕捉长期欺骗组设置。我们在著名的抵抗游戏（如黑手党和狼人）中研究欺骗，该游戏由5-8名玩家组成，其中2-3名是间谍。间谍在整个游戏中（通常是30-65分钟）都是欺骗性的，以隐藏他们的身份。我们开发了一个集成预测模型来识别抵抗视频中的间谍。我们发现，来自低级别和高级别视频分析的特征是不够的，但是当与我们称之为LiarRank的一类新特征相结合时，会产生最好的结果。我们在全自动设置中实现了超过0.70的AUC。我们的演示可以在http://home.cs.dartmouth.edu/~mbolonkin/scan/demo/上找到
2019-06-15 cs.AI cs.CV
Automated Graph Genetic Algorithm based Puzzle Validation for Faster Game Design
Electronic Arts（美国艺电公司）
许多游戏都依赖于不断创造新的和吸引人的内容，以保持他们的玩家基础的兴趣。一个这样的例子是益智游戏，在这种情况下，经常需要创建新的谜题。创建新的谜题需要保证它们是可解的，并且对玩家来说是有趣的，这两个都需要设计师花费大量的时间。谜题的自动验证为设计师提供了显著的时间节省和潜在的质量提升。自动化允许谜题设计者估计不同的属性，增加约束的多样性，甚至为特定的玩家个性化谜题。谜题通常有一个很大的设计空间，这使得穷举搜索方法不可行，如果他们需要大量的时间。具体来说，这些难题可以用公式表示为二次组合优化问题。本文提出了一种进化算法，授权的专家知识知情的启发式，解决视频游戏中的逻辑难题，有效地，导致一个更有效的设计过程。我们讨论了多种变化的混合遗传方法的约束满足的问题，使我们能够找到一组不同的接近最优的解决方案的难题。我们展示了我们的方法在一个幻想党建设益智游戏，并讨论它如何可以更广泛地应用到其他难题，以指导设计师在他们的创作过程。
2023-02-21 cs.AI cs.NE
The N-Tuple Bandit Evolutionary Algorithm for Automatic Game Improvement
University of Essex（埃塞克斯大学）
本文描述了一种新的进化算法，特别适合于AI辅助游戏设计。本文采用的方法是使用观察的人工智能智能体玩游戏，以估计游戏的质量。一些最好的代理是通用视频游戏人工智能智能体，因为它们可以直接部署在新游戏上，而无需特定于游戏的调优;这些代理往往基于随机算法，这些算法给出了鲁棒但有噪声的结果，并且运行起来往往很昂贵。这激发了本文的主要贡献：新的N元组Bandit进化算法的发展，其中一个模型是用来估计未采样点的适应度和一个强盗的方法是用来平衡探索和开发的搜索空间。优化太空战斗游戏变体的初步结果表明，该算法提供了比随机突变登山者和有偏突变变体更强大的结果，这些变体本身在一系列问题上具有竞争力的性能。人类玩家也对进化游戏的性质进行了主观观察，这表明他们对N-Tuple算法生成的游戏有偏好。
2017-03-18 cs.AI
Discovering Expert-Level Nash Equilibrium Algorithms with Large Language Models
CFCS, School of Computer Science, Peking University, Beijing, China（计算机科学系，北京大学，北京，中国）；School of Computing and Data Science, The University of Hong Kong, Pokfulam, Hong Kong（计算与数据科学学院，香港大学，薄扶林，香港）
提出LegoNE框架，将专家证明策略编码为符号语言，自动验证算法的最坏情况保证，结合推理型LLM重新发现并改进了多人博弈的近似纳什均衡算法。
2026-06-08 cs.AI cs.DS cs.GT
