作为一种相对较新的运动形式，电子竞技提供了无与伦比的数据可用性。尽管游戏发动机生成的大量数据，但提取它们并验证其完整性以实用和科学用途的目的是具有挑战性的。我们的工作旨在通过提供来自Starcraft II电子竞技锦标赛的原始文件和预处理的文件来向更广泛的科学界开放电子竞技。这些文件可用于统计和机器学习建模任务，并与各种基于实验室的测量（例如行为测试，脑成像）相关。我们已经收集了公开可用的游戏发动机，生成了比赛的“重播”，并使用低级应用程序编程界面（API）Parser库进行了数据提取和清理。此外，我们开源并发布了在创建数据集过程中开发的所有自定义工具。这些工具包括Pytorch和Pytorch Lightning API抽象来加载和建模数据。我们的数据集包含自2016年以来的主要和Premiere Starcraft II锦标赛的重播。为了准备数据集，我们处理了55个锦标赛的“ replaypacks”，其中包含17930个带有游戏状态信息的文件。根据对可用的星际争霸II数据集的初步调查，我们观察到我们的数据集是其出版物后最大的星际争霸II电子竞技数据的最大可用来源。对提取数据的分析有望在各种受监督和自我监督的任务中进行进一步的人工智能（AI），机器学习（ML），心理学，人工互动（HCI）和与运动有关的研究。

The Elo algorithm, due to its simplicity, is widely used for rating in sports competitions as well as in other applications where the rating/ranking is a useful tool for predicting future results. However, despite its widespread use, a detailed understanding of the convergence properties of the Elo algorithm is still lacking. Aiming to fill this gap, this paper presents a comprehensive (stochastic) analysis of the Elo algorithm, considering round-robin (one-on-one) competitions. Specifically, analytical expressions are derived characterizing the behavior/evolution of the skills and of important performance metrics. Then, taking into account the relationship between the behavior of the algorithm and the step-size value, which is a hyperparameter that can be controlled, some design guidelines as well as discussions about the performance of the algorithm are provided. To illustrate the applicability of the theoretical findings, experimental results are shown, corroborating the very good match between analytical predictions and those obtained from the algorithm using real-world data (from the Italian SuperLega, Volleyball League).

在这项工作中，我们的目标是表征通过线性排序问题（LOP）获得的解决方案的可靠性，该解决方案可从其成对比较中订购$ m $对象。我们采用了概率的观点，其中成对比较的结果被建模为具有共同参数的Bernoulli变量，我们可以从观察到的数据中估算出来。蛮力枚举的估计具有O（$ m！$）的过于良好的复杂性，因此我们重新制定了问题，并引入了Slater的频谱的概念，该谱系概括了Slater的指数对O（$ M^2 2^m $）的复杂性，可用于中等大小的倾盆。此外，通过对算法进行微小的修改，我们能够找到LOP的所有解决方案。显示了有关合成和现实世界数据的数值示例，并公开可用python实施算法。

本文涉及以下重要的研究问题。传统上，神经网络采用与线性操作员连接的非线性激活功能，以近似给定的物理现象。它们与激活功能的级联“填充空间”，并调整它们的系数以近似物理现象。我们声称，更好地“填充空间”，具有由异常分析所用的平滑高阶B样条基础功能的线性组合，并利用神经网络来调整线性组合的系数。换句话说，评估使用神经网络用于近似B样条曲线基本功能的系数的可能性以及直接逼近解决方案。 Maziar Raissi等人提出了用神经网络解决微分方程。 2017年通过引入物理信息的神经网络（PINN），自然地将底层物理法编码为先前信息。使用函数的系数近似值用作输入利用神经网络的众所周知的能力是通用函数近似器。实质上，在Pinn方法中，网络近似于给定点的给定场的值。我们呈现一种替代方法，其中水平量被近似为平滑B样条基函数的线性组合，并且神经网络近似于B样条的系数。该研究将DNN的结果与近似B样条函数的线性组合系数进行比较，DNN直接逼近溶液。我们表明，当近似平滑的物理领域时，我们的方法更便宜，更准确。

贝叶斯神经网络（BNNS）已成为缓解深度学习中过度自信预测的主要方法，但由于大量分布参数，它们经常遭受扩展问题。在本文中，我们发现在单独再培训时，深网络的第一层拥有多个不同的Optima。这表示当第一层由贝叶斯层改变时的大后差，这使我们能够设计空间融合BNN（STF-BNN），以便有效地将BNN缩放到大型模型：（1）首先常常培训一个神经网络网络从头开始实现快速训练; （2）第一层被转换为贝叶斯和通过采用随机变分推断推断，而其他层是固定的。与香草BNN相比，我们的方法可以大大减少训练时间和参数的数量，这有助于高效地缩放BNN。我们进一步提供了对概括性和缓解STF-BNN过度限制的能力的理论保障。综合实验表明，STF-BNN（1）实现了最先进的性能，以进行预测和不确定量化; （2）显着提高对抗性鲁棒性和隐私保护; （3）大大降低了培训时间和内存成本。

在这项工作中，我们通过利用观察到的游戏点（如目标）的差异（例如目标）来开发一对一对一游戏的团队（或玩家）的新算法，也称为胜利的边际（MOV）。我们的目的是获得ELO式算法，其操作易于实施，直观地理解。这是三个步骤完成的：首先，我们在团队技能和离散MOV变量之间定义概率模型：这概括了智能算法的模型，其中MOV变量被离散分为三类（Win / Loss / Draw） 。其次，通过手头的正式概率模型，通过随机梯度来实现最大似然规则所需的优化;这对于评级更新产生简单的在线方程，其常规形式与ELO算法的那些特征相同：主要差异在于定义的分数和预期分数的方式。第三，我们提出了一种简单的方法来估计模型的系数，从而定义算法的操作;它以历史数据以封闭形式完成，因此该算法针对感兴趣的运动量身定制，并且定义其操作的系数以完全透明的方式确定。还提出了基于替代，优化的找到系数的策略。我们展示了基于英国英超联赛协会足球的结果和全国足球联盟的美国足球的结果。