기계학습 기반 다중 레이블 분류를 이용한 실시간 전략 게임에서의 상대 행동 예측

국문 초록 (Abstract)

최근 많은 게임이 사용자의 게임 플레이와 관련된 데이터를 제공하고 있고, 이에 기계학습 기법을 결합하여 상대의 행동을 예측하는 연구들이 있다. 본 연구는 실시간 전략 게임(클래시로얄)의 경기 데이터와 기계학습 기반의 다 중 레이블 분류를 사용하여 상대 플레이어의 행동을 예측한다. 초기 실험은 이진 형태의 카드 특성과 카드 배치 좌표 그리고 정규화된 시간 정보를 입력받아 카드 타입, 카드 배치 좌표를 랜덤포레스트와 다층 퍼셉트론을 이용하여 예측한 다. 이후, 순차적으로 3 가지 전처리 방식을 사용하여 실험을 진행했다. 먼저 입력 데이터의 특성 정보 일부를 변환 시켜 예측했다. 다음으로 입력 데이터를 연속된 카드 입력 방식까지 고려한 중첩 형태로 변환 시켜 예측했다. 마지막으 로 모든 이전 단계의 데이터들을 정규화된 시간 기준에 따라 초반, 후반으로 분할하여 예측했다. 그 결과 가장 개선을 보인 전처리 방식은 중첩 형태의 데이터를 초반으로 분할하였을 경우로 카드 타입이 약 2.6%, 카드 배치 좌표가 약 1.8% 개선을 보였다.

다국어 초록 (Multilingual Abstract)

Recently, many games provide data related to the users' game play, and there have been a few studies that predict opponent move by combining machine learning methods. This study predicts opponent move using match data of a real-time strategy game named ClashRoyale and a multi-label classification based on machine learning. In the initial experiment, binary card properties, binary card coordinates, and normalized time information are input, and card type and card coordinates are predicted using random forest and multi-layer perceptron. Subsequently, experiments were conducted sequentially using the next three data preprocessing methods. First, some property information of the input data were transformed. Next, input data were converted to nested form considering the consecutive card input system. Finally, input data were predicted by dividing into the early and the latter according to the normalized time information. As a result, the best preprocessing step was shown about 2.6% improvement in card type and about 1.8% improvement in card coordinates when nested data divided into the early.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련연구
• 3. 데이터
• 3.1 데이터 수집
• 3.2 데이터 전처리
• 4. 기계학습 기법
• 5. 실험 결과
• 6. 결론 및 향후 연구
• REFERENCES

참고문헌 (Reference)

1 C. Olston, "Web crawling" 4 (4): 175-246, 2010

2 Lidia Ceriani, "The origins of the Gini index: extracts from Variabilità e Mutabilità (1912) by Corrado Gini" Springer Science and Business Media LLC 10 (10): 421-443, 2012

3 T. Hastie, "The elements of statistical learning : data mining, inference, and prediction" Springer 2009

4 V. Nair, "Rectified linear units improve restricted Boltzmann machines" Omnipress 807-814, 2010

5 Y. W. Nam, "Prediction of drifter trajectory using evolutionary computation" Discrete Dynamics in Nature and Society 2018

6 A. Dockhorn, "Predicting opponent moves for improving hearthstone AI. Information Processing and Management of Uncertainty in Knowledge-based Systems" Springer 621-632, 2018

7 F. Akinori, "Multi-label text categorization with model combination based on f1-score maximization" II : 823-828, 2008

8 S. L. Enrique, "Multi-label classification with bayesian network-based chain classifiers" 41 : 14-22, 2014

9 T. Grigorios, "Multi-label classification : an overview" 3 (3): 1-13, 2007

10 David Silver, "Mastering the game of Go with deep neural networks and tree search" Springer Science and Business Media LLC 529 (529): 484-489, 2016

11 L. Andy, "Classification and regression by randomforest" 2 (2): 18-22, 2002

12 K. Arulkumaran, "Alphastar: an evolutionary computation perspective" 314-315, 2019

13 M. Riedmiller., "Advanced supervised learning in multi-layer perceptrons—from backpropagation to adaptive learning algorithms" 16 (16): 265-278, 1994

14 D. P. Kingma, "Adam: a method for stochastic optimization" ICLR 2014

15 S. R. Safavian, "A survey of decision tree classifier methodology" 21 (21): 660-674, 1991

16 백인성, "3차원 합성곱 신경망을 활용한 실시간 전략 게임 승패 예측" 대한산업공학회 46 (46): 349-355, 2020