Jul, 2022

SC2EGSet:StarCraftII 电子竞技回放和游戏状态数据集

PDF
TL;DR这篇文章介绍了一个开放的数据集，它包括了 StarCraft II 电竞比赛中的重播数据，在使用自己开发的工具处理这些数据后，可以在统计学和机器学习建模任务方面进行使用，这对于人工智能、机器学习、心理学、人机交互以及体育方面的研究都具有一定的应用前景。
esportsdata extractionmachine learningstarcraft iitournament matches
发现论文，激发创造
  • STARDATA：StarCraft 人工智能研究数据集

    本研究介绍了一个包含 65646 局 StarCraft 比赛的数据集，共计 1535 百万帧和 496 百万玩家动作，可用于机器学习任务，如策略分类，逆强化学习等。该数据集由 TorchCraft 提取和存储，具有格式标准化的特点，并可用于不同操作系统和平台。

    Aug, 2017

  • StarCraftImage: 用于多智能体环境空间推理方法原型设计的数据集

    基于 StarCraft II 游戏重播构建了一个空间推理基准数据集，用于在多智能体环境中原型设计和测试推理方法。

    Jan, 2024

  • MSC：StarCraft II 宏观管理数据集

    为了提高 Starcraft 中的宏观管理研究，我们基于 SC2LE 平台发布了一个名为 MSC 的新数据集，MSC 由精心设计的特征向量、预定义的高级操作和每场比赛的最终结果组成，并将其拆分为训练、验证和测试集，以方便评估和比较。

    Oct, 2017

  • 星际争霸 II：强化学习的新挑战

    介绍了一种基于《星际争霸 II》游戏的增强学习环境 SC2LE，通过使用该环境，可以探索深度强化学习算法和架构。

    Aug, 2017

  • 大规模数据集上的电子竞技数据即时解说生成

    本研究提出了一项从结构化数据记录中生成游戏评论的任务，利用一种大规模的电子竞技数据集和多种基线编码器 - 解码器模型以及一种层次模型来生成各个层面的比赛评论，结果表明层次模型优势明显，并且揭示了几个新任务带来的挑战。

    Dec, 2022

  • AlphaStar Unplugged：大规模离线强化学习

    这篇论文在 StarCraft II 这个具有挑战性的强化学习环境中，利用大量的离线数据集和机器学习方法，建立了一个新的基准 AlphaStar Unplugged，提出了离线强化学习的前沿技术，并且取得了 90% 的胜率。

    Aug, 2023

  • TStarBot-X：StarCraft II 完整游戏中高效联赛训练的开源综合研究

    本研究基于 AlphaStar 的技术，利用多项创新性技术，如新型联赛训练方法、配合规则的策略搜索、稳定的策略改进、轻量级神经网络架构、模仿学习中的重要性采样等，开发出一款名为 TStarBot-X 的 AI 代理程序，在计算能力有限制条件下可以与人类玩家进行竞争，研究结果对于如 StarCraft 这类复杂问题的学术和工业研究可能具有重要意义。

    Nov, 2020

  • 关于《星际争霸 Ⅱ》全游戏的高效强化学习研究

    本研究通过使用一系列强化学习技术，包括层次化体系结构、课程转移学习和战斗模型等方法，在 StarCraft II 游戏上进行了训练，并获得了高胜率。我们还将我们的方法与 mini-AlphaStar 进行比较，证明了该方法的有效性。

    Sep, 2022

  • 使用深度学习从 StarCraft 回放中学习宏观管理

    本文介绍了如何使用深度学习从游戏回放数据中学习 StarCraft 中的宏观管理决策，并在开源的 StarCraft 机器人 UAlbertaBot 中实现，取得了比游戏内置 bot 更好的表现。该方法能够表达各种不同的策略，并且可以进一步通过深度强化学习提高表现，最终实现不再依赖硬编码策略的强大 StarCraft bot。

    Jul, 2017

  • 大型语言模型在星际争霸 II 中测试和一种摘要方法的链式

    通过开发文本化的 StratCraft II 环境，利用大型语言模型代理实现游戏性能评估，研究表明大型语言模型代理在应对 StarCraft II 场景中具备相关知识和复杂规划能力，性能接近于玩了八年 StarCraft II 的普通玩家，并能够击败 Harder (Lv5) 的内置 AI。

    Dec, 2023