論文の概要: Interactive Evolution and Exploration Within Latent Level-Design Space
of Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2004.00151v1
- Date: Tue, 31 Mar 2020 22:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 00:03:21.154560
- Title: Interactive Evolution and Exploration Within Latent Level-Design Space
of Generative Adversarial Networks
- Title(参考訳): 生成逆数ネットワークの潜在レベル設計空間における相互進化と探索
- Authors: Jacob Schrum, Jake Gutierrez, Vanessa Volz, Jialin Liu, Simon Lucas,
and Sebastian Risi
- Abstract要約: 潜在変数進化(LVE)は、最近ゲームレベルに適用されている。
本稿では,ゲーム用タイルベースレベルのインタラクティブなLVEツールを提案する。
このツールは、潜伏次元の直接探索も可能で、ユーザーは発見レベルをプレイできる。
- 参考スコア(独自算出の注目度): 8.091708140619946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) are an emerging form of indirect
encoding. The GAN is trained to induce a latent space on training data, and a
real-valued evolutionary algorithm can search that latent space. Such Latent
Variable Evolution (LVE) has recently been applied to game levels. However, it
is hard for objective scores to capture level features that are appealing to
players. Therefore, this paper introduces a tool for interactive LVE of
tile-based levels for games. The tool also allows for direct exploration of the
latent dimensions, and allows users to play discovered levels. The tool works
for a variety of GAN models trained for both Super Mario Bros. and The Legend
of Zelda, and is easily generalizable to other games. A user study shows that
both the evolution and latent space exploration features are appreciated, with
a slight preference for direct exploration, but combining these features allows
users to discover even better levels. User feedback also indicates how this
system could eventually grow into a commercial design tool, with the addition
of a few enhancements.
- Abstract(参考訳): GAN(Generative Adversarial Networks)は、間接符号化の一種である。
GANはトレーニングデータに潜伏空間を誘導する訓練を受けており、実際の進化的アルゴリズムはその潜伏空間を探索することができる。
このような潜在変数進化(LVE)は、最近ゲームレベルに適用されている。
しかし、客観的スコアがプレイヤーにアピールするレベル特徴を捉えることは困難である。
そこで本稿では,ゲーム用タイルレベルの対話型lveツールを提案する。
このツールは潜在次元を直接探索することもできますし、検出されたレベルをプレイすることも可能です。
このツールはスーパーマリオブラザーズとゼルダ伝説のために訓練された様々なGANモデルに対応しており、他のゲームにも容易に一般化できる。
ユーザー調査の結果、進化と潜在宇宙探査の両方の機能が評価され、直接探査にわずかに好まれるが、これらの機能を組み合わせることで、ユーザーはより優れたレベルを発見できる。
ユーザからのフィードバックは、このシステムが最終的に商用設計ツールに成長する可能性を示している。
関連論文リスト
- Evaluating Environments Using Exploratory Agents [0.0]
探索エージェントを用いてプロシージャ生成ゲームレベルの設計に対するフィードバックを提供する。
本研究は,我々の探索エージェントがエンゲージメントレベルとアンエンゲージメントレベルを明確に区別できることを示した。
論文 参考訳(メタデータ) (2024-09-04T11:51:26Z) - METRA: Scalable Unsupervised RL with Metric-Aware Abstraction [69.90741082762646]
Metric-Aware Abstraction (METRA)は、教師なし強化学習の新たな目標である。
潜在空間のあらゆる方向に移動することを学ぶことで、METRAは様々な振る舞いの抽出可能な集合を得る。
複雑なピクセルベースの環境においても,METRAは様々な有用な振る舞いを発見できることを示す。
論文 参考訳(メタデータ) (2023-10-13T06:43:11Z) - Ghost in the Minecraft: Generally Capable Agents for Open-World
Environments via Large Language Models with Text-based Knowledge and Memory [97.87093169454431]
Ghost in the Minecraft (GITM) は、LLM(Large Language Models)とテキストベースの知識と記憶を統合する新しいフレームワークである。
我々は、構造化されたアクションのセットを開発し、LSMを活用してエージェントが実行するアクションプランを生成する。
LLMをベースとしたエージェントは、従来の手法を著しく上回り、成功率+47.5%という顕著な改善を達成している。
論文 参考訳(メタデータ) (2023-05-25T17:59:49Z) - EDN: Salient Object Detection via Extremely-Downsampled Network [66.38046176176017]
画像全体のグローバルビューを効果的に学ぶために、極端なダウンサンプリング技術を使用するExtremely-Downsampled Network(EDN)を紹介します。
実験は、ednがリアルタイム速度でsart性能を達成することを実証する。
論文 参考訳(メタデータ) (2020-12-24T04:23:48Z) - 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) - Learning Affordance Landscapes for Interaction Exploration in 3D
Environments [101.90004767771897]
エージェントは環境の仕組みを習得できなければならない。
相互作用探索のための強化学習手法を提案する。
AI2-iTHORで私たちのアイデアを実証します。
論文 参考訳(メタデータ) (2020-08-21T00:29:36Z) - 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) - Illuminating Mario Scenes in the Latent Space of a Generative
Adversarial Network [11.055580854275474]
設計者は,我々のシステムにゲームプレイ対策を規定し,様々なレベルのメカニックで高品質な(プレイ可能な)レベルを抽出する方法を示す。
オンラインユーザスタディでは、自動生成されるレベルの異なるメカニズムが、認識される困難さと外観の主観的評価にどのように影響するかが示されている。
論文 参考訳(メタデータ) (2020-07-11T03:38:06Z) - Diagnosing the Environment Bias in Vision-and-Language Navigation [102.02103792590076]
VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従い、与えられた環境を探索し、所望の目標地点に到達する必要がある。
VLNを研究する最近の研究は、目に見えない環境でのテストでは、顕著なパフォーマンス低下を観察しており、ニューラルエージェントモデルがトレーニング環境に非常に偏っていることを示している。
本研究では, この環境バイアスの原因を探るため, 環境再分割と機能置換による新しい診断実験を設計する。
論文 参考訳(メタデータ) (2020-05-06T19:24:33Z) - Controllable Level Blending between Games using Variational Autoencoders [6.217860411034386]
スーパーマリオブラザーズとキッド・イカラスのレベルデータに基づいてVAEをトレーニングし、両方のゲームにまたがる潜伏空間を捕捉できるようにします。
次に、この空間を用いて、両方のゲームからレベルの特性を組み合わせたレベルセグメントを生成する。
これらの余裕は、特に共同創造的レベルの設計にVAEベースのアプローチを適していると我々は主張する。
論文 参考訳(メタデータ) (2020-02-27T01:38:35Z) - Learning to Generate Levels From Nothing [5.2508303190856624]
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。
論文 参考訳(メタデータ) (2020-02-12T22:07:23Z)
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。