加速國際象棋技能評估：基於漂移擴散模型的增強型Elo評級系統

傳統的Elo評級系統一直是國際象棋比賽配對的金標準，但它僅依賴比賽結果，導致響應滯後，無法捕捉棋步級別的細微技能變化。然而，將棋步信息融入評級調整面臨噪聲大和棋局狀態空間龐大的挑戰。為了解決這一問題，研究者從認知神經科學中的漂移擴散模型（DDM）獲得靈感，提出了DD-Elo框架。該模型將技能表達視為一個決策過程，通過整合棋步級數據來快速捕捉技能的波動。研究團隊提供了嚴格的數學推導，證明DD-Elo與傳統Elo系統之間的偏差始終保持有界，從而保證了理論上的對齊。研究團隊使用了包含數百萬對局的國際象棋數據庫進行驗證，模擬了多種技能變化場景，包括技能突然提升、下降以及週期性波動。實驗結果顯示，DD-Elo的評級調整速度比傳統Elo快約30%，同時保持了對高棋力玩家的準確評估。此外，DD-Elo的偏差始終在理論保證的範圍內，驗證了其數學推導的正確性。研究者還展示了DD-Elo與現有評分系統的兼容性，無需修改現有比賽結構即可集成。DD-Elo的核心在於將漂移擴散模型中的決策閾值與棋步質量關聯，通過累積證據來更新評級。公式推導中，研究者證明了當棋步數量足夠大時，DD-Elo的評級收斂到Elo評級，且偏差的上界與棋步噪聲相關。這一理論結果確保了系統的穩定性。該成果已被2026年IEEE遊戲大會（IEEE CoG 2026）接收，相關代碼已在GitHub上公開。DD-Elo不僅具有可解釋性，而且響應迅速，同時與現有評級系統向後兼容，為國際象棋評級生態提供了全新的解決方案。