Fugu-MT 論文翻訳(概要): Learning to Generate Levels From Nothing

論文の概要: Learning to Generate Levels From Nothing

arxiv url: http://arxiv.org/abs/2002.05259v2
Date: Mon, 9 Aug 2021 19:10:52 GMT
ステータス: 翻訳完了
システム内更新日: 2023-01-01 19:01:20.066974
Title: Learning to Generate Levels From Nothing
Title（参考訳）: 無からレベルを生み出すことを学ぶ
Authors: Philip Bontrager and Julian Togelius
Abstract要約: 演奏レベルを設計するジェネレーティブ・プレイング・ネットワークを提案する。このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学習するジェネレータの2つの部分で構成されている。本研究では,2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,このフレームワークの能力を示す。
参考スコア（独自算出の注目度）: 5.2508303190856624
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning for procedural content generation has recently become an active area of research. Levels vary in both form and function and are mostly unrelated to each other across games. This has made it difficult to assemble suitably large datasets to bring machine learning to level design in the same way as it's been used for image generation. Here we propose Generative Playing Networks which design levels for itself to play. The algorithm is built in two parts; an agent that learns to play game levels, and a generator that learns the distribution of playable levels. As the agent learns and improves its ability, the space of playable levels, as defined by the agent, grows. The generator targets the agent's playability estimates to then update its understanding of what constitutes a playable level. We call this process of learning the distribution of data found through self-discovery with an environment, self-supervised inductive learning. Unlike previous approaches to procedural content generation, Generative Playing Networks are end-to-end differentiable and do not require human-designed examples or domain knowledge. We demonstrate the capability of this framework by training an agent and level generator for a 2D dungeon crawler game.
Abstract（参考訳）: 近年,手続き型コンテンツ生成のための機械学習が研究の活発な領域となっている。レベルは形式と機能の両方で異なり、ゲーム間ではほとんど無関係である。これにより、画像生成に使われているのと同じように、適切な大規模なデータセットを組み立てて、機械学習をレベル設計に持ち込むのが難しくなっています。ここでは,演奏するレベルをデザインした生成的演奏ネットワークを提案する。このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学ぶジェネレータの2つの部分で構成されている。エージェントが学習し、その能力を向上させると、エージェントによって定義されたプレイ可能なレベルの空間が成長する。ジェネレータはエージェントのプレイ可能性推定をターゲットとし、プレイ可能なレベルを構成するものに関する理解を更新する。この過程を,自己教師型帰納学習(self-supervised inductive learning)という,自己発見によるデータの分布学習と呼ぶ。手続き的コンテンツ生成に対する従来のアプローチとは異なり、ジェネレーティブ・プレイング・ネットワークはエンドツーエンドの差別化が可能であり、人間の設計した例やドメイン知識を必要としない。 2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,本フレームワークの能力を示す。

関連論文リスト

Joint Level Generation and Translation Using Gameplay Videos [0.9645196221785693]
機械学習による手続き的コンテンツ生成(PCGML)は、画像やテキスト生成など他の分野と切り離す重要なハードルに直面している。機械学習による手続き的レベルの生成には、レベル画像以外の二次的な表現が必要である。我々は,同時翻訳と生成を同時に行うことを学ぶ,新しいマルチテールフレームワークを開発した。
論文参考訳（メタデータ） (2023-06-29T03:46:44Z)
Online Game Level Generation from Music [10.903226537887557]
OPARLは経験駆動強化学習と制御可能な強化学習に基づいている。局所探索とk-アネレスト近傍に基づく新しい制御ポリシーを提案し、レベルジェネレータを制御するためにOPARLに統合した。シミュレーションに基づく実験の結果、OPARLの実装は、オンライン方式で異なる人工プレーヤーに対する音楽のエネルギーのダイナミクスに適合する難易度で演奏可能なレベルを生成する能力を有することが示された。
論文参考訳（メタデータ） (2022-07-12T02:44:50Z)
MineDojo: Building Open-Ended Embodied Agents with Internet-Scale Knowledge [70.47759528596711]
私たちは、人気のMinecraftゲーム上に構築された新しいフレームワークであるMineDojoを紹介します。本稿では,学習報酬関数として,大規模な事前学習ビデオ言語モデルを活用する新しいエージェント学習アルゴリズムを提案する。我々のエージェントは、手動で設計した密なシェーピング報酬なしで、自由形式の言語で指定された様々なオープンエンドタスクを解くことができる。
論文参考訳（メタデータ） (2022-06-17T15:53:05Z)
Procedural Content Generation using Neuroevolution and Novelty Search for Diverse Video Game Levels [2.320417845168326]
手続き的に生成されたビデオゲームコンテンツは、ゲーム開発者や大手スタジオのコンテンツ制作予算を大幅に削減する可能性がある。しかし、採用の妨げとなるのは、遅い生成や品質の低下、コンテンツの多様性といった制限だ。進化的探索に基づく進化的探索手法を導入し,様々なレベルをリアルタイムでプロシージャ的に生成する手法を提案する。
論文参考訳（メタデータ） (2022-04-14T12:54:32Z)
Evaluating Continual Learning Algorithms by Generating 3D Virtual Environments [66.83839051693695]
連続学習とは、人間や動物が特定の環境で徐々に学習する能力である。本稿では3次元仮想環境の最近の進歩を活用して,フォトリアリスティックな外観を持つ潜在的に長寿命な動的シーンの自動生成にアプローチすることを提案する。本論文の新たな要素は、シーンがパラメトリックな方法で記述され、エージェントが知覚する入力ストリームの視覚的複雑さを完全に制御できることである。
論文参考訳（メタデータ） (2021-09-16T10:37:21Z)
Pairing Character Classes in a Deathmatch Shooter Game via a Deep-Learning Surrogate Model [2.323282558557423]
本稿では,ゲームレベル構造とゲームのキャラクタークラスパラメータを入力として,ゲームプレイ結果を出力として組み合わせたモデルを構築する上で,ディープラーニングがいかに役立つかを考察する。その後、モデルは特定のレベルと所望のゲーム結果(例えば短い期間のバランスの取れたマッチ)のクラスを生成するために使用される。
論文参考訳（メタデータ） (2021-03-29T09:34:24Z)
Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
論文参考訳（メタデータ） (2021-01-06T21:14:10Z)
Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-12-07T08:47:25Z)
Co-generation of game levels and game-playing agents [4.4447051343759965]
本稿では, PoET-Inspired Neuroevolutionary System for Kreativity (PINSKY) をゲームで紹介する。その結果,PINSKYがゲームレベルのカリキュラムを生成できることが示され,コンテンツ生成と人工生活の交差点における研究の新たな道が開かれた。
論文参考訳（メタデータ） (2020-07-16T17:48:05Z)
Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
論文参考訳（メタデータ） (2020-05-25T14:10:17Z)
Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
論文参考訳（メタデータ） (2020-04-08T14:11:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。