通过使用不同的技能预测模型，该研究分解了 MOBA 游戏玩家技能并将其影响以统计术语评估，发现在 LOL 中，游戏人物的基本技能、玩家的基本技能和玩家特定的技能是影响赛果的三个主要技能组成部分，而 DOTA2 的赛果主要受游戏角色的基本技能影响，而不会很受其他两种技能影响。

Feb, 2017

本文探讨了在 MOBA 游戏中使用人工智能进行游戏研究的主要特征和机会，并提出了一种离散模型，以更好地理解和探索游戏，以此来鼓励 MOBA 作为新的游戏人工智能研究平台的使用。

May, 2017

本文利用混合注意力的方法扩展了 slice-based learning (SBL)，学习了切片感知的双重关注模型，实验证明这种方法在监测切片上比基准方法和原始 SBL 方法表现更好。

Jun, 2021

JueWu-SL 是第一个在多人在线战略游戏中通过监督学习实现人类水平表现的 AI 程序，通过对宏观战略和微管理进行端到端的神经网络整合，经过 Honor of Kings 的测试，在标准的 5v5 游戏中表现出和高王段位选手的竞争水平。

Nov, 2020

本文利用遗传算法编码切片策略，提出一种无先验知识的在线优化器，以最大化长期网络效用，具有良好的有效性、鲁棒性和可扩展性，以解决第五代移动通信网络下服务提供商与利益相关者之间的资源管理挑战。

Feb, 2018

提出了一种 MOBA 游戏 AI 学习范式，采用深度强化学习及新型学习技术，可训练玩家池多的游戏并解决了可扩展性问题，测试结果表明该 AI 在王者荣耀等游戏中已能击败顶尖电竞选手。

Nov, 2020

机器学习中的 slice discovery algorithm 对于模型表现下降等问题提供了一种新方法，相关的使用者研究表明这种方法比 naïve baseline 更好，但是在假设形成的环节上仍然存在挑战，因此在设计和评估新的工具时需要关注使用者。

Jun, 2023

该研究提出了一个交互式框架 Slice Finder，使用统计技术找到可解释的子集去诊断模型的问题，应用包括识别模型公平性和欺诈检测等。

Jul, 2018

本文提出了一种新颖的分层强化学习模型，通过模仿学习从事宏观策略，并通过强化学习进行微观操作，以应对多人在线战斗竞技游戏 (MOBA) 中包含的大量状态空间、动作空间和隐藏信息，并且该模型在缺乏游戏引擎或 API 的情况下，还设计了一种密集的奖励函数来鼓励多个智能体合作。实验结果表明该方法能够在 MOBA 游戏中获得优异表现，如在王者荣耀 5v5 模式中成功与内置 AI 进行战斗且胜率达到 100%。

Jan, 2019

本文提出了基于切片的学习方法，通过划分关键数据子集和引入注意力机制来针对性地提高机器学习模型在关键数据子集上的性能表现。在跨越语言理解、计算机视觉和生产规模工业系统的数据集上，该方法在保持参数有效性的同时，在切片和总体 F1-score 上分别提高 19.0 和 4.6 个百分点。

Sep, 2019