Chess Rating Estimation from Moves and Clock Times Using a CNN-LSTM

Dieses Kapitel geht den Beschränkungen traditioneller Schachbewertungssysteme wie Elo und Glicko nach, die häufig zahlreiche Partien erfordern, um das Geschicklichkeitsniveau eines Spielers genau wiederzugeben. Um diese Unzulänglichkeiten zu beheben, schlagen die Autoren eine bahnbrechende Methode vor, bei der die Bewertung der Spieler direkt anhand von Spielzügen und Uhrzeiten anhand einer CNN-LSTM-Architektur geschätzt wird. Dieser Ansatz integriert Positionsmerkmale vom Schachbrett mit Uhrzeitdaten und ermöglicht präzise Ratingvorhersagen Zug für Zug. Das Modell, das auf einem riesigen Datensatz von 1,2 Millionen Lichess-Spielen basiert, erreicht einen durchschnittlichen absoluten Fehler (MAE) von 183 Punkten und demonstriert damit seine Wirksamkeit. Ablationsstudien bestätigen die Bedeutung von Zeitdaten für die Verbesserung der Modellleistung. Darüber hinaus wird die Vielseitigkeit des Modells durch seine Wettbewerbsfähigkeit beim IEEE Big Data Cup Schach-Schwierigkeitswettbewerb 2024 unter Beweis gestellt. Das Kapitel untersucht auch mögliche Anwendungen dieser Bewertungsmethode, einschließlich der Erkennung von Anomalien und der Identifizierung von Schummelverhalten. Durch die Nutzung von tiefen Lerntechniken ebnet dieser innovative Ansatz den Weg für dynamischere und fairere Bewertungssysteme im Wettbewerbsschach, wodurch sich das allgemeine Spielerlebnis und die Treffsicherheit der Partnervermittlung verbessern.