SC2EGSet:星际争霸 II 电子竞技重播和游戏状态数据集

SC2EGSet:星际争霸 II 电子竞技重播和游戏状态数据集

34浏览次
文章内容:
SC2EGSet:星际争霸 II 电子竞技重播和游戏状态数据集
SC2EGSet:星际争霸 II 电子竞技重播和游戏状态数据集
  • Reitman, JG、Anderson-Coto, MJ、Wu, M.、Lee, JS 和 Steinkuehler, C. 电子竞技研究:文献综述。游戏与文化 15,32–50,https://doi.org/10.1177/1555412019840892 (2020)。

    文章谷歌学术

  • Chiu, W.、Fan, TCM、Nam, S.-B. 和 Sun, P.-H. 知识图谱与电子竞技研究的可持续发展:文献计量与可视化分析。可持续性 13,https://doi.org/10.3390/su131810354 (2021)。

  • Scholz,TM,《电子竞技和管理简史》,17–41(Springer International Publishing,Cham,2019 年)。

  • Pustišek, M., Wei, Y., Sun, Y., Umek, A. 和 Kos, A. 技术在加速运动学习中的作用。个人和普适计算 https://doi.org/10.1007/s00779-019-01274-5 (2019)。

  • Giblin, G.、Tor, E. 和 Parrington, L.《科技对精英运动表现的影响》。《Sensoria:心智、大脑与文化杂志》第 12 卷,https://doi.org/10.7790/sa.v12i2.436(2016 年)。

  • Baerg, A. 大数据、体育和数字鸿沟:运动员如何应对大数据监控的理论分析。《体育与社会问题杂志》41,3–20,https://doi.org/10.1177/0193723516673409(2017 年)。

    文章谷歌学术

  • Chen, MA、Spanton, K.、van Schaik, P.、Spears, I. 和 Eaves, D. 生物反馈对拳击刺拳表现和技术的影响。感知与运动技能 128,1607–1622,https://doi.org/10.1177/00315125211013251。PMID:33940988 (2021)。

  • Rajšp, A. & Fister, I. jr 智能体育训练智能数据分析方法的系统文献综述。应用科学 10,https://doi.org/10.3390/app10093013 (2020)。

  • Kos, A. & Umek, A. 智能运动装备:用于滑雪生物反馈应用的 SmartSki 原型。个人和普适计算 22,https://doi.org/10.1007/s00779-018-1146-1 (2018)。

  • Seif El-Nasr, M.、Drachen, A. 和 Canossa, A. (eds.) 游戏分析:最大化玩家数据的价值 (Springer London,伦敦,2013 年)。

  • Su, Y.、Backlund, P. 和 Engström, H. 游戏分析的综合回顾与分类。面向服务的计算与应用 15,141–156,https://doi.org/10.1007/s11761-020-00303-z (2021)。

    文章谷歌学术

  • Vinyals, O. 等人。使用多智能体强化学习实现《星际争霸 II》中的大师级水平。《自然》575,350–354,https://doi.org/10.1038/s41586-019-1724-z(2019 年)。

    文章 ADS CAS PubMed Google Scholar

  • Jaderberg, M. 等人。基于人群的强化学习在 3D 多人游戏中实现人类水平的表现。Science 364, 859–865,https://doi.org/10.1126/science.aau6249(2019 年)。

    文章 ADS MathSciNet CAS PubMed Google Scholar

  • Silver, D. 等人。一种通过自我对弈掌握国际象棋、将棋和围棋的通用强化学习算法。Science 362, 1140–1144,https://doi.org/10.1126/science.aar6404 (2018)。

    文章 ADS MathSciNet CAS PubMed MATH Google Scholar

  • Berner, C. 等人。具有大规模深度强化学习的 Dota 2。arXiv 预印本 arXiv:1912.06680 (2019)。

  • Kowalczyk-Grębska, N. 等人。实时战略视频游戏体验和结构连接 - 扩散张量成像研究。人脑映射 39,https://doi.org/10.1002/hbm.24208 (2018)。

  • Green, CS & Bavelier, D. 动作视频游戏改变视觉选择性注意。《自然》423,534–537,https://doi.org/10.1038/nature01647(2003 年)。

    文章 ADS CAS PubMed Google Scholar

  • Green, CS & Bavelier, D. 学习、注意力控制和动作视频游戏。当代生物学:CB 22,R197–R206,https://doi.org/10.1016/j.cub.2012.02.012 (2012)。

    文章 CAS PubMed Google Scholar

  • Alfonso, F. 等。数据共享:国际医学期刊编辑委员会的一项新编辑举措。对编辑网络的影响。葡萄牙心脏病学杂志第 36 卷,397–403,https://doi.org/10.1016/j.repc.2017.02.001(2017 年)。

    文章 PubMed Google Scholar

  • Ghasemaghaei,M. 数据分析的使用是否能提高公司的决策质量?知识共享和数据分析能力的作用。决策支持系统 120,14–24,https://doi.org/10.1016/j.dss.2019.03.004(2019 年)。

    文章谷歌学术

  • Zuiderwijk, A. & Spiers, H. 共享和重复使用开放数据:天体物理学动机案例研究。国际信息管理杂志 49,228–241,https://doi.org/10.1016/j.ijinfomgt.2019.05.024 (2019)。

    文章谷歌学术

  • Białecki, A.、Gajewski, J.、Białecki, P.、Phatak, A. 和 Memmert, D. 电子竞技胜利的决定因素 - 星际争霸 II https://doi.org/10.1007/s11042-022-13373-2 (2022)。

  • Blair, M.、Thompson, J.、Henrey, A. 和 Chen, B. SkillCraft1 主表数据集。UCI 机器学习存储库。访问日期:2022-06-03 (2013)。

  • Wu, H., Zhang, J. 和 Huang, K. MSC:星际争霸 II 中的宏观管理数据集 https://doi.org/10.48550/ARXIV.1710.03131 (2017)。

  • Białecki, A.、Krupiński, L. 和 Białecki, P. Kaszanas/SC2InfoExtractorGo:1.2.1 SC2InfoExtractorGo 版本。泽诺多 https://doi.org/10.5281/zenodo.5296788(2022)。

  • Białecki, A.、Białecki, P. 和 Krupiński, L. Kaszanas/SC2DatasetPreparator:1.2.0 SC2DatasetPreparator 版本。泽诺多 https://doi.org/10.5281/zenodo.5296664(2022)。

  • Białecki, A. & Białecki, P. Kaszanas/SC2MapLocaleExtractor:1.1.1 SC2MapLocaleExtractor 版本。Zenodo https://doi.org/10.5281/zenodo.zenodo.4733264 (2021)。

  • Białecki, A. & Białecki, P. Kaszanas/SC2AnonServerPy:1.0.1 SC2AnonyServerPy 版本。Zenodo https://doi.org/10.5281/zenodo.5138313 (2021)。

  • Białecki, A. SC2ReSet:星际争霸 II 电子竞技重玩包套装。泽诺多 https://doi.org/10.5281/zenodo.5575796(2022)。

  • Białecki,A.等人。 SC2EGSet:星际争霸 II 电子竞技游戏状态数据集。泽诺多 https://doi.org/10.5281/zenodo.5503997 (2023)。

  • Białecki, A.、Białecki, P.、Szczap, A. 和 Krupiński, L. Kaszanas/SC2_Datasets:1.0.0 SC2_Datasets 版本。泽诺多 https://doi.org/10.5281/zenodo.6629005(2022)。

  • Thompson, JJ、Blair, M.、Chen, L. 和 Henrey, AJ,《视频游戏遥测技术是复杂技能学习研究中的重要工具》。PLoS ONE 8,https://doi.org/10.1371/journal.pone.0075129(2013 年)。

  • Lin, Z., Gehring, J., Khalidov, V. 和 Synnaeve, G. STARDATA:星际争霸 AI 研究数据集。AAAI 人工智能与交互式数字娱乐会议论文集 13,50–56 (2021 年)。

    文章谷歌学术

  • Smerdov, A.、Zhou, B.、Lukowicz, P. 和 Somov, A. 收集和验证职业和业余玩家的心理生理数据:多模态电子竞技数据集 https://doi.org/10.48550/ARXIV.2011.00958 (2020)。

  • Braun, P. 等人。游戏数据挖掘:网络物理世界中在线游戏数据的聚类和可视化。Procedia 计算机科学 112,2259–2268,https://doi.org/10.1016/j.procs.2017.08.141(2017 年)。

    文章谷歌学术

  • Glass, J. & McGregor, C.《守望先锋》中的玩家健康分析。2020 年 IEEE 第 8 届严肃游戏和健康应用国际会议 (SeGAH),1–5,https://doi.org/10.1109/SeGAH49190.2020.9201733 (2020)。

  • Blom, PM、Bakkes, S. 和 Spronck, P.《面向英雄联盟竞技中的多模态压力反应建模》。2019 年 IEEE 游戏大会 (CoG),1–4,https://doi.org/10.1109/CIG.2019.8848004 (2019)。

  • Ani, R.、Harikumar, V.、Devan, AK 和 Deepa, O. 使用特征选择和集成方法预测英雄联盟中的胜利。2019 年国际智能计算和控制系统会议 (ICCS),74–77,https://doi.org/10.1109/ICCS45141.2019.9065758 (2019)。

  • Aung, M. 等人。在大型纵向 MOBA 数据集中预测技能学习成果。在《IEEE 游戏计算智能会议论文集》中,https://doi.org/10.1109/CIG.2018.8490431(IEEE,2018 年)。

  • Maymin, PZ 聪明的击杀和毫无价值的死亡:英雄联盟的电子竞技分析。《体育定量分析杂志》17,11-27,https://doi.org/10.1515/jqas-2019-0096 (2021)。

    文章广告 Google 学术

  • Lee, H.、Hwang, D.、Kim, H.、Lee, B. 和 Choo, J. DraftRec:多人在线竞技场游戏中获胜的个性化草稿推荐。在 ACM Web 会议 2022 论文集,WWW '22,3428–3439,https://doi.org/10.1145/3485447.3512278(美国计算机协会,纽约州纽约,2022 年)。

  • Gourdeau, D. 和 Archambault, L. 用于专业《风暴英雄》和《DOTA 2》中英雄选择的判别神经网络。IEEE Transactions on Games 1–1,https://doi.org/10.1109/TG.2020.2972463 (2020)。

  • Hodge, V. 等人。电子竞技中的胜利预测:多人在线战斗竞技场游戏中的混合排名比赛预测 https://doi.org/10.48550/ARXIV.1711.06498 (2017)。

  • Hodge, V. 等人。多人电子竞技中的胜利预测:现场专业比赛预测。IEEE Transactions on Games 1–1,https://doi.org/10.1109/TG.2019.2948469 (2019)。

  • Cavadenti, O.、Codocedo, V.、Boulicaut, J.-F. 和 Kaytoue, M.《我在 MOBA 游戏中做错了什么?挖掘判别异常行为的模式》。2016 年 IEEE 国际数据科学与高级分析会议 (DSAA),第 662–671 页,https://doi.org/10.1109/DSAA.2016.75 (2016 年)。

  • Pedrassoli Chitayat, A. 等人。WARDS:MOBA 中视觉价值的建模。收录于 Arai, K.、Kapoor, S. 和 Bhatia, R. (eds.)《智能计算》,第 63–81 页,https://doi.org/10.1007/978-3-030-52246-9_5(Springer International Publishing,Cham,2020 年)。

  • Sánchez-Ruiz, AA & Miranda, M. 一种基于影响力图预测星际争霸获胜者的机器学习方法。娱乐计算 19,29–41,https://doi.org/10.1016/j.entcom.2016.11.005(2017 年)。

    文章谷歌学术

  • Stanescu, M.、Barriga, N. 和 Buro, M. 使用兰彻斯特消耗定律预测星际争霸中的战斗。《AAAI 人工智能与交互式数字娱乐会议论文集》第 11 卷,第 86–92 页,https://doi.org/10.1609/aiide.v11i1.12780 (2021 年)。

    文章谷歌学术

  • Norouzzadeh Ravari, Y.、Bakkes, S. 和 Spronck, P.《星际争霸》获胜者预测》。《AAAI 人工智能与交互式数字娱乐会议论文集》12,2–8,https://doi.org/10.1609/aiide.v12i2.12887 (2021)。

    文章谷歌学术

  • Helmke, I.、Kreymer, D. 和 Wiegand, K.《星际争霸 2》中的战斗近似模型 https://doi.org/10.48550/ARXIV.1403.1521 (2014)。

  • Lee, D., Kim, M.-J. 和 Ahn, CW 通过深度学习预测星际争霸 II 中的战斗结果并优化军队。专家系统及其应用 185,115592,https://doi.org/10.1016/j.eswa.2021.115592 (2021)。

    文章谷歌学术

  • Lee, CM 和 Ahn, CW 特征提取用于星际争霸 II 联赛预测。电子学 10,https://doi.org/10.3390/electronics10080909 (2021)。

  • Cavadenti, O.、Codocedo, V.、Boulicaut, J.-F. 和 Kaytoue, M. 当电子竞技运动员隐瞒他们的游戏时:聚类混淆矩阵以识别头像别名。2015 年 IEEE 国际数据科学与高级分析会议 (DSAA),1-10,https://doi.org/10.1109/DSAA.2015.7344824 (2015)。

  • Volz, V.、Preuss, M. 和 Bonde, MK 探讨《星际争霸 II》获胜者的预测。收录于 Cazenave, T.、Saffidine, A. 和 Sturtevant, N. (eds.)《计算机游戏》,第 3-22 页,https://doi.org/10.1007/978-3-030-24337-1_1(Springer International Publishing,Cham,2019 年)。

  • Mathonat, R.、Boulicaut, J.-F. 和 Kaytoue, M. 一种行为模式挖掘方法,用于模拟《火箭联盟》中的玩家技能。2020 年 IEEE 游戏会议 (CoG),第 267–274 页,https://doi.org/10.1109/CoG47356.2020.9231739 (2020 年)。

  • Khromov, N. 等人。电子竞技运动员和玩家:一项比较研究。IEEE 普适计算 18,31–39,https://doi.org/10.1109/MPRV.2019.2926247 (2019)。

    文章谷歌学术

  • Koposov, D. 等人。通过凝视追踪和性格特征分析电子竞技玩家的反应时间。2020 年 IEEE 第 29 届工业电子国际研讨会 (ISIE),1560–1565,https://doi.org/10.1109/ISIE45063.2020.9152422 (2020)。

  • Smerdov, A.、Burnaev, E. 和 Somov, A. 电子竞技职业玩家在比赛期间的行为:使用智能椅子获取的数据的统计分析。2019 年 IEEE SmartWorld、无处不在的智能计算、高级可信计算、可扩展计算通信、云大数据计算、人联网和智慧城市创新 (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI),1768–1775,https://doi.org/10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00314 (2019)。

  • Xenopoulos, P.、Freeman, WR 和 Silva, C. 通过获胜概率分析职业和业余电子竞技之间的差异。在 ACM Web 会议 2022 论文集,WWW '22,3418–3427,https://doi.org/10.1145/3485447.3512277(美国计算机协会,纽约州纽约,2022 年)。

  • Jonnalagadda, A.、Frosio, I.、Schneider, S.、McGuire, M. 和 Kim, J. 竞技游戏中基于视觉的稳健作弊检测。《ACM 计算机图形学和交互技术论文集》第 4 卷,https://doi.org/10.1145/3451259 (2021 年)。

  • Galli, L.、Loiacono, D.、Cardamone, L. 和 Lanzi, PL,《虚幻竞技场 III 的作弊检测框架:一种机器学习方法》。2011 年 IEEE 计算智能与游戏会议 (CIG'11),第 266–272 页,https://doi.org/10.1109/CIG.2011.6032016 (2011)。

  • Wang, X. 等人。SCC:一种高效的深度强化学习代理,可掌握《星际争霸 II》游戏。CoRR abs/2012.13169 https://arxiv.org/abs/2012.13169。2012.13169 (2020)。

  • Bednárek, D.、Krulis, M.、Yaghob, J. 和 Zavoral, F. 电子竞技游戏记录的数据预处理 - 反恐精英:全球攻势。 269–276,https://doi.org/10.5220/0006475002690276(2017)。

  • Feitosa、VRM、Maia、JGR、Moreira、LO 和 Gomes,《GAM GameVis:网络游戏数据可视化》。2015 年第 14 届巴西计算机游戏和数字娱乐研讨会 (SBGames),70–79,https://doi.org/10.1109/SBGames.2015.21 (2015)。

  • Afonso, AP、Carmo, MB 和 Moucho, T. MOBA 游戏比赛分析可视化工具比较。2019 年第 23 届国际信息可视化会议 (IV),118–126,https://doi.org/10.1109/IV.2019.00029 (2019)。

  • Stepanov, A. 等人。用于电子竞技数据分析的传感器和游戏同步。2019 IEEE 第 17 届工业信息学国际会议 (INDIN) 1,933–938,https://doi.org/10.1109/INDIN41052.2019.8972249 (2019)。

    文章谷歌学术

  • Korotin, A. 等人。《了解电子竞技运动员的潜力:用于数据收集和分析的传感系统》。2019 年 IEEE SmartWorld、无处不在的智能计算、高级可信计算、可扩展计算通信、云大数据计算、人联网和智慧城市创新 (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI),1804–1810,https://doi.org/10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00319 (2019)。

  • Melentev, N. 等人。使用 EEG 和机器学习预测电子竞技选手的专业水平和疲劳程度。2020 年 IEEE SENSORS,1–4,https://doi.org/10.1109/SENSORS47125.2020.9278704 (2020)。

  • Smerdov, A.、Somov, A.、Burnaev, E.、Zhou, B. 和 Lukowicz, P. 使用传感器数据和机器学习检测视频游戏玩家倦怠。IEEE 物联网杂志 8,16680–16691,https://doi.org/10.1109/JIOT.2021.3074740 (2021)。

    文章谷歌学术

  • Pedregosa,F.等人。 Scikit-learn:Python 中的机器学习。《机器学习研究杂志》12,2825-2830(2011 年)。

    MathSciNet MATH Google学术搜索

  • Buitinck,L. 等。机器学习软件的 API 设计:来自 scikit-learn 项目的经验。在 ECML PKDD 研讨会:数据挖掘和机器学习语言中,108–122(2013 年)。

  • Chen, T. 和 Guestrin, C. XGBoost:可扩展的树提升系统。第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集,KDD '16,785–794,https://doi.org/10.1145/2939672.2939785(美国计算机协会,纽约州纽约,2016 年)。

  • Paszke, A. 等人。Pytorch:命令式高性能深度学习库。在 Wallach, H. 等人 (eds.)《神经信息处理系统进展》第 32 卷 (Curran Associates, Inc., 2019) 中。

  • Falcon, W. PyTorch Lightning 团队。PyTorch Lightning。Zenodo https://doi.org/10.5281/zenodo.3828935 (2019)。

  • 分类:

    游戏新闻

    标签:

    评估:

      留言