Toward Fast Human Reaction Modeling from High-Frequency Digital Interaction Data
作者: Emanuel Dopater, Daniel Gavlas, Lukáš Jochymek, Kannan Paul, Miloslav Szczypka, David Vojáček, Josef Žáček, Jan Plucar, Radek Svoboda, Ivan Zelinka
分类: cs.AI, cs.LG
发布日期: 2026-10-26
💡 一句话要点
提出Ego-Knowledge以解决快速人类反应建模问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人类反应建模 高频遥测数据 Ego-Knowledge 梯度提升 自定义变换器 游戏行为分析 反应时间分析
📋 核心要点
- 现有方法在快速反应建模中缺乏有效的高频数据利用，导致反应时间分析的局限性。
- 论文提出Ego-Knowledge，通过高精度可见性引擎和反应中心提取管道，重建玩家的感知状态。
- 实验结果显示，EMBER和ORBIT模型在验证集上分别达到73.5%和71.2%的准确率，显著优于基线模型。
📝 摘要（中文）
本研究探讨了在高分辨率的《反恐精英2》遥测数据中，是否能够识别出快速、显著驱动行为的边缘性特征。我们引入了Ego-Knowledge，这是一种减少泄漏的玩家感知状态重建方法，结合了毫秒级精度的可见性引擎和反应中心的提取管道。通过60-120毫秒的神经科学动机窗口，我们从可见性和伤害触发事件中推导出粗略的战斗或逃跑标签，并进行反向伤害案例的反应时间分析。我们训练了两种遥测原生模型，分别为EMBER（梯度提升）和ORBIT（自定义变换器），在完整验证集上，EMBER的准确率为73.5%，ORBIT为71.2%。
🔬 方法详解
问题定义：本研究旨在解决如何从高频遥测数据中有效建模人类快速反应的问题。现有方法在处理快速、显著驱动行为时存在局限，无法充分利用高分辨率数据。
核心思路：论文的核心思路是引入Ego-Knowledge，通过构建一个减少信息泄漏的重建模型，结合可见性引擎和反应提取管道，以更准确地捕捉玩家的感知状态。
技术框架：整体架构包括数据收集、可见性引擎、反应提取管道和模型训练四个主要模块。数据收集阶段获取高频遥测数据，可见性引擎负责实时计算可见性，反应提取管道则提取相关事件进行分析，最后通过模型训练实现预测。
关键创新：最重要的技术创新在于Ego-Knowledge的构建，它通过减少信息泄漏来提高反应建模的准确性，与现有方法相比，能够更好地捕捉玩家的即时感知状态。
关键设计：在模型设计上，EMBER使用梯度提升算法，ORBIT则是一个自定义的变换器。实验中采用了60-120毫秒的时间窗口，并通过反向伤害案例进行反应时间分析，确保了标签的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，EMBER模型在1,000个验证案例中达到了73.6%的准确率，ORBIT则为70.9%，均显著高于62.7%的最强基线模型。此外，加入短期后触发窗口后，准确率提升至85.15%，展示了该方法在反应识别中的有效性。
🎯 应用场景
该研究的潜在应用领域包括游戏行为分析、虚拟现实中的人机交互优化以及心理学研究中的反应时间测量。通过更准确的反应建模，可以为游戏设计、训练模拟和行为预测提供重要的支持，未来可能影响多种领域的决策制定和用户体验优化。
📄 摘要（原文）
We investigate whether limbic-like signatures of rapid, salience-driven behavior can be identified in high-resolution Counter-Strike 2 telemetry. This exploratory study introduces Ego-Knowledge, a leak-reduced reconstruction of each player's plausible perceptual state, supported by a millisecond-precision visibility engine and a reaction-centered extraction pipeline. Using a neuroscience-motivated 60--120 ms window, we derive coarse fight-or-flight labels from visibility- and damage-triggered events, with back-damage cases enabling constrained reaction-time analysis and manual label checks. We train two telemetry-native models using only information available by the trigger: EMBER (gradient boosting) and ORBIT (a custom transformer). On the full validation set, EMBER achieves 73.5% accuracy and ORBIT 71.2%, versus a 51.5% majority-class baseline, and both generalize to held-out players. The strongest LLM baseline achieves 62.7% on 1,000 validation cases; on these same cases, EMBER (73.6%) and ORBIT (70.9%) perform better (McNemar p=1.3e-9 and 1.5e-6, respectively), with orders-of-magnitude lower inference time and cost, though the comparison is not compute-matched. Including a short post-trigger window changes forecasting into early response recognition, raising accuracy monotonically to 85.15%. We propose this curve as a candidate probe of the transition from rapid to deliberative control, but roughly uniform per-tick gains do not establish that interpretation. The neuroscience framing is hypothesis-generating, not mechanistic: physiological ground truth, suitable control distributions, and reverse-inference limitations remain open. We outline extensions to auditory reconstruction, larger datasets, and telemetry-native foundation models.