AI solutions for card drafting

Abstract

Drafting is a resource allocation method used in collectible card games, such as Magic: The Gathering, where each player builds a deck by sequentially selecting cards from a shared pool. Drafting games offer an interesting testbed for artificial intelligence and game research due to their multiplayer nature, hidden information, and scalable complexity.

This work considers different ways to apply machine learning to evaluate card choices in drafting. For this purpose, a publicly available dataset of Magic: The Gathering games played by humans is used to train a neural network-based agent to evaluate what the best card to choose is from a player's perspective. This agent then independently takes part in simulated drafting against other agents. From these simulations, the average win rate of the cards chosen, and the similarity of choices to the human data, are analyzed, while considering how the agent's behavior is affected by its opponents.

In the end, compared to simple heuristics, the neural network trained agent is consistently able to make choices that are closer to what a human player would make. It can be concluded that developing this approach further would lead to better results.

Kortinvalinta eli "card drafting" on resurssien jakamismenetelmä, jota käytetään keräilykorttipeleissä, kuten Magic: The Gathering, jossa pelaajat rakentavat korttipakat valitsemalla kortteja peräkkäin yhteisestä joukosta. Kortinvalintapelit tarjoavat mielenkiintoisen testialustan tekoäly- ja pelitutkimukselle niiden moninpeliluonteesta, piilotetusta informaatiosta ja skaalautuvasta monimutkaisuudesta johtuen.

Tässä työssä tarkastellaan erilaisia tapoja soveltaa koneoppimista kortinvalintapeleissä tehtävien kortinvalintojen arviointiin. Tätä tarkoitusta varten käytetään ihmisten pelaamista Magic: The Gathering -peleistä kerättyä julkisesti saatavilla olevaa dataa neuroverkkopohjaisen agentin kouluttamiseksi arvioimaan, mikä on paras kortti valita pelaajan näkökulmasta. Tämän jälkeen agenttia käytetään simuloidussa kortinvalintaosuudessa muita agentteja vastaan. Näistä simulaatioista analysoidaan valittujen korttien keskimääräistä voittoprosenttia sekä valintojen samankaltaisuutta ihmispelaajien valintoihin, ottaen samalla huomioon, miten vastustajien toiminta vaikuttaa agentin käyttäytymiseen.

Lopulta yksinkertaisiin heuristisiin agentteihin verrattuna neuroverkkokoulutettu agentti pystyy jatkuvasti tekemään valintoja, jotka muistuttavat enemmän ihmispelaajien valintoja. Voidaan päätellä, että tällaisen tekoälypohjaisen lähestymistavan jatkokehittäminen johtaisi entistä parempiin tuloksiin.