加速国际象棋技能评估：基于漂移扩散模型的增强型Elo评级系统

传统的Elo评级系统一直是国际象棋比赛配对的金标准，但它仅依赖比赛结果，导致响应滞后，无法捕捉棋步级别的细微技能变化。然而，将棋步信息融入评级调整面临噪声大和棋局状态空间庞大的挑战。为了解决这一问题，研究者从认知神经科学中的漂移扩散模型（DDM）获得灵感，提出了DD-Elo框架。该模型将技能表达视为一个决策过程，通过整合棋步级数据来快速捕捉技能的波动。研究团队提供了严格的数学推导，证明DD-Elo与传统Elo系统之间的偏差始终保持有界，从而保证了理论上的对齐。研究团队使用了包含数百万对局的国际象棋数据库进行验证，模拟了多种技能变化场景，包括技能突然提升、下降以及周期性波动。实验结果显示，DD-Elo的评级调整速度比传统Elo快约30%，同时保持了对高棋力玩家的准确评估。此外，DD-Elo的偏差始终在理论保证的范围内，验证了其数学推导的正确性。研究者还展示了DD-Elo与现有评分系统的兼容性，无需修改现有比赛结构即可集成。DD-Elo的核心在于将漂移扩散模型中的决策阈值与棋步质量关联，通过累积证据来更新评级。公式推导中，研究者证明了当棋步数量足够大时，DD-Elo的评级收敛到Elo评级，且偏差的上界与棋步噪声相关。这一理论结果确保了系统的稳定性。该成果已被2026年IEEE游戏大会（IEEE CoG 2026）接收，相关代码已在GitHub上公开。DD-Elo不仅具有可解释性，而且响应迅速，同时与现有评级系统向后兼容，为国际象棋评级生态提供了全新的解决方案。