పోటీ గేమింగ్లో పటిష్టమైన దృష్టి-ఆధారిత మోసాల గుర్తింపు
Author
Venue
ACM ఇన్ కంప్యూటర్ గ్రాఫిక్స్ మరియు ఇంటరాక్టివ్ టెక్నిక్స్ 2021 యొక్క పత్రాలు
Abstract
ఆన్లైన్ గేమింగ్లో మోసాలను నిరోధించడంలో గేమ్ ప్రచురణకర్తలు మరియు యాంటీ-చీట్ కంపెనీలు విఫలమయ్యాయి. మేము ఒక నూతన, విజన్-ఆధారిత విధానాన్ని ప్రతిపాదిస్తున్నాము, ఇది ఫ్రేమ్ బఫర్ యొక్క తుది స్థితిని బంధించి, అక్రమ ఓవర్లేలను గుర్తిస్తుంది. ఈ లక్ష్యం కోసం, మేము రెండు ఫస్ట్-పర్సన్ షూటర్ గేమ్లు మరియు మూడు చీటింగ్ సాఫ్ట్వేర్లను ఉపయోగించి సేకరించిన కొత్త డేటాసెట్పై ఒక DNN డిటెక్టర్ను శిక్షణ మరియు మూల్యాంకనం చేస్తాము. స్థానిక లేదా ప్రపంచ స్థాయిలో పనిచేసే విభిన్న DNN నిర్మాణాల యొక్క ప్రయోజనాలు మరియు లోపాలను మేము అధ్యయనం చేస్తాము. అవిశ్వసనీయమైన గుర్తింపులను నివారించడానికి మరియు నెట్వర్క్ పునఃశిక్షణ ఎప్పుడు అవసరమో తెలియజేయడానికి మేము అవుట్పుట్ కాన్ఫిడెన్స్ విశ్లేషణను ఉపయోగిస్తాము. ఒక అబ్లేషన్ స్టడీలో, సంభావ్య వ్యతిరేక దాడులకు కూడా నిరోధకత కలిగిన డిటెక్టర్ను నిర్మించడానికి ఇంటర్వల్ బౌండ్ ప్రొపగేషన్ను ఎలా ఉపయోగించాలో మేము చూపిస్తాము మరియు కాన్ఫిడెన్స్ విశ్లేషణతో దాని పరస్పర చర్యను అధ్యయనం చేస్తాము. మా ఫలితాలు చూపిస్తున్నదేమిటంటే, మెషిన్ లెర్నింగ్ ద్వారా దృఢమైన మరియు ప్రభావవంతమైన యాంటీ-చిటింగ్ ఆచరణలో సాధ్యమే మరియు ఆన్లైన్ గేమింగ్లో నిష్పక్షపాతమైన ఆటను హామీ చేయడానికి దీనిని ఉపయోగించవచ్చు.
