論文の概要: Navigating the Landscape of Multiplayer Games
- arxiv url: http://arxiv.org/abs/2005.01642v3
- Date: Tue, 17 Nov 2020 17:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:22:41.969271
- Title: Navigating the Landscape of Multiplayer Games
- Title(参考訳): マルチプレイヤーゲームの景観をナビゲートする
- Authors: Shayegan Omidshafiei, Karl Tuyls, Wojciech M. Czarnecki, Francisco C.
Santos, Mark Rowland, Jerome Connor, Daniel Hennes, Paul Muller, Julien
Perolat, Bart De Vylder, Audrunas Gruslys, Remi Munos
- Abstract要約: 大規模ゲームの応答グラフにネットワーク測度を適用することで,ゲームのランドスケープを創出できることを示す。
本研究は, 標準ゲームから複雑な経験ゲームまで, 訓練されたエージェント同士のパフォーマンスを計測する領域における知見について述べる。
- 参考スコア(独自算出の注目度): 20.483315340460127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiplayer games have long been used as testbeds in artificial intelligence
research, aptly referred to as the Drosophila of artificial intelligence.
Traditionally, researchers have focused on using well-known games to build
strong agents. This progress, however, can be better informed by characterizing
games and their topological landscape. Tackling this latter question can
facilitate understanding of agents and help determine what game an agent should
target next as part of its training. Here, we show how network measures applied
to response graphs of large-scale games enable the creation of a landscape of
games, quantifying relationships between games of varying sizes and
characteristics. We illustrate our findings in domains ranging from canonical
games to complex empirical games capturing the performance of trained agents
pitted against one another. Our results culminate in a demonstration leveraging
this information to generate new and interesting games, including mixtures of
empirical games synthesized from real world games.
- Abstract(参考訳): マルチプレイヤーゲームは人工知能の研究において長い間テストベッドとして使われており、しばしば人工知能のショウジョウバエと呼ばれる。
伝統的に研究者は、よく知られたゲームを使って強力なエージェントを構築することに集中してきた。
しかし、この進歩はゲームとそのトポロジカルな景観を特徴づけることでよりよく理解できる。
この後者の問題に取り組むことでエージェントの理解が容易になり、エージェントが次にターゲットとするゲームを決定するのに役立つ。
本稿では,大規模ゲームの応答グラフに適用したネットワーク計測により,ゲームの景観を創造し,サイズや特性の異なるゲーム間の関係を定量化する手法を示す。
我々は,カノニカルゲームから複雑な経験的ゲームまで幅広い領域において,訓練されたエージェントが互いに対戦する様子を捉えた結果を示す。
実世界のゲームから合成された経験ゲームを含む,新しい興味深いゲームを生成するために,この情報を活用した実演を行った。
関連論文リスト
- Rinascimento: searching the behaviour space of Splendor [0.0]
本研究の目的は,ゲーム内の行動空間(BSpace)を一般手法を用いてマッピングすることである。
特に、イベント値関数の使用は、古典的なスコアベースの報酬信号に基づくエージェントと比較して、BSpaceのカバレッジが著しく改善されている。
論文 参考訳(メタデータ) (2021-06-15T18:46:57Z) - Reading and Acting while Blindfolded: The Need for Semantics in Text
Game Agents [18.743819704859703]
人工エージェントがテキストのセマンティック理解をどのように利用するかは、まだ不明である。
表現空間を正規化し,探索を促す逆ダイナミクスデコーダを提案する。
将来のエージェントの設計における我々の発見の意義を、より強い意味論的理解で議論する。
論文 参考訳(メタデータ) (2021-03-25T01:35:27Z) - An Empirical Study on the Generalization Power of Neural Representations
Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。
提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文 参考訳(メタデータ) (2021-01-31T10:30:48Z) - Deep Reinforcement Learning with Stacked Hierarchical Attention for
Text-based Games [64.11746320061965]
自然言語の文脈におけるインタラクティブなシミュレーションであるテキストベースゲームの強化学習について検討する。
エージェントの動作が解釈可能な推論手順によって生成され、支援されるように、意思決定のための知識グラフを用いた明示的な推論を行うことを目指している。
提案手法を多数の人為的ベンチマークゲームで広範囲に評価し,本手法が既存のテキストベースエージェントよりも優れていることを示す実験結果を得た。
論文 参考訳(メタデータ) (2020-10-22T12:40:22Z) - Testing match-3 video games with Deep Reinforcement Learning [0.0]
そこで本研究では,Match-3 ゲームにおいて,Deep Reinforcement Learning を用いてテストプロセスを自動化する可能性について検討する。
我々は,レッドビットゲームズが開発したMatch-3ゲームであるJelly Juiceゲーム上で,この種のネットワークをテストする。
論文 参考訳(メタデータ) (2020-06-30T12:41:35Z) - 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) - Benchmarking End-to-End Behavioural Cloning on Video Games [5.863352129133669]
我々は,2010年以降の6ゲームを含む12のビデオゲームにおける行動クローンの一般適用性について検討した。
以上の結果から,これらのエージェントは生演奏では人間と一致しないが,基本力学やルールを学習できることがわかった。
また、データの質や、人間からのデータの記録が、人間の反射によって、状態-作用ミスマッチの対象になっていることを実証する。
論文 参考訳(メタデータ) (2020-04-02T13:31:51Z) - Learning Dynamic Belief Graphs to Generalize on Text-Based Games [55.59741414135887]
テキストベースのゲームをプレイするには、自然言語処理とシーケンシャルな意思決定のスキルが必要である。
本研究では,原文からエンドツーエンドに学習したグラフ構造化表現を用いて,エージェントがテキストベースのゲームでどのように計画・一般化できるかを検討する。
論文 参考訳(メタデータ) (2020-02-21T04:38:37Z) - Neural MMO v1.3: A Massively Multiagent Game Environment for Training
and Evaluating Neural Networks [48.5733173329785]
本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。
分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
論文 参考訳(メタデータ) (2020-01-31T18:50:02Z) - Exploration Based Language Learning for Text-Based Games [72.30525050367216]
本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。
テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。
これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
論文 参考訳(メタデータ) (2020-01-24T03:03:51Z)
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。