We introduced a new framework to detect perceptual bugs using a Long
Short-Term Memory (LSTM) network, which detects bugs in video games as
anomalies. The detected buggy frames are then clustered to determine the
我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络(LSTM)的方法通过仅使用每个玩家的健康指标作为时间序列,实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例,评估了我们模型在此游戏中的表现,并与流行的时间序列预测方法进行了对比。最后,我们公开了数据集和代码,以期促进对街机游戏的预测性分析进一步的研究。
这篇论文提出了一种利用大型语言模型(LLMs)自动识别导致测试失败的代码更改的新方法,并通过定量和定性评估验证了该方法的有效性。通过 EA 开发者报告的问题进行的数据集评估结果显示,我们的方法在准确率上达到了 71%。此外,通过用户研究对我们的模型进行了评估,结果显示在开发者的视角下使用该工具可以显著减少问题调查所需的时间,最高可达 60%。