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

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。

Jul, 2022

本文提出了一个新的大规模 3D 多视图视觉问答基准（3DMV-VQA），介绍了一种基于神经场，2D 预训练的视觉语言模型和神经推理运算符的 3D 概念学习与推理（3D-CLR）框架，并评估了各种最先进的模型，发现它们都表现不佳，提出了从多视图图像中推断出世界的紧凑 3D 表示，并在此基础上执行推理的原则方法，对挑战进行了深入分析并指出了潜在的未来方向。

Mar, 2023

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

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

本论文研究了适用于 StarCraft II 游戏的分层强化学习方法，其中包括宏动作、双层分层结构以及课程转移学习算法，取得了较好的游戏成绩并证明了其强泛化性能。

Sep, 2018

通过 SPARE3D 数据库，我们发现深度学习模型的空间推理性能要低于平均人类表现甚至接近随机猜测，这启示我们需要新的问题形式和网络设计来帮助智能机器人通过 2D 传感器在三维世界中高效运作。

Mar, 2020

本设计章介绍了 StarCraft Multi-Agent Challenge (SMAC) 作为实验问题，正式本测试环境可以提供一个标准的测试环境，并对 deep multi-agent reinforcement learning 、partially observable cooperative multi-agent learning、单个传感器规则 等领域进行询问和分析。

Feb, 2019

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

本文提出了一个新的多跳空间推理文本问答数据集 StepGame，并利用基于张量积的记忆增强神经网络（TP-MANN）解决空间推理任务，得到了比 bAbI 数据集更好的性能和稳健性能。

Apr, 2022