机构名称：
¥ 1.0
本研究应对在国际象棋中区分人类和计算机产生的游戏的挑战，对于确保在线和锦标赛的完整性和公平性至关重要。随着未经授权的计算机援助变得越来越复杂，我们利用顺序的神经网络来分析大量的国际象棋游戏数据集，采用了传统引擎（例如Stockfish和Leela），以及Maia的创新神经网络，例如Maia及其单个子模型。此分析将centipawn偏差指标纳入了衡量典型的计算机策略，迈亚对人类和特质游戏风格的见解以及对移动的时间分布的评估。我们的方法通过考虑移动序列的战略含义以及在不同的游戏条件下游戏的一致性而扩展，从而增强了我们对人与AI游戏之间细微差异的理解。值得注意的是，我们的算法在识别国际象棋发动机的使用方面达到了约98％的准确性，从而在维持游戏的完整性方面做出了重大进步。为了进一步验证我们的发现，我们使用单独的数据集进行了交叉验证，从而确认了模型的鲁棒性。我们还探索了该算法在其他棋盘游戏中检测AI援助的适用性，这表明其更广泛使用的潜力。这项研究强调了机器学习在打击数字作弊方面的关键作用，强调需要连续适应检测方法以保持发展的发展。此外，我们的发现指出了为游戏中使用AI的道德准则的重要性，从而确保了所有参与者的公平和水平的竞争环境。最后，通过发布我们的方法论和AI检测的标准，我们旨在促进游戏社区内和开发人员之间的公开对话，从而促进透明度和合作，以打击作弊。
使用神经网络在国际象棋中检测公平侵犯 *
主要关键词
相关文件推荐
