論文の概要: A Novel CNet-assisted Evolutionary Level Repairer and Its Applications to Super Mario Bros

• arxiv url: http://arxiv.org/abs/2005.06148v2
• Date: Thu, 14 May 2020 16:17:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 10:07:04.376793
• Title: A Novel CNet-assisted Evolutionary Level Repairer and Its Applications to Super Mario Bros
• Title（参考訳）: 新しいCNet型進化レベル修復装置とスーパーマリオブラザーへの応用
• Authors: Tianye Shu, Ziqi Wang, Jialin Liu, Xin Yao
• Abstract要約: そこで我々は,CNetという新しい手法を提案し,その周囲のタイルを実物レベルで与える確率を学習し,生成した新しいレベルの違法なタイルを検出する。 我々のCNet支援進化修復機は、他のゲームにも容易に適用でき、そのレベルはオブジェクトやタイルのマトリックスで表現できる。
• 参考スコア（独自算出の注目度）: 11.366146167882007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying latent variable evolution to game level design has become more and more popular as little human expert knowledge is required. However, defective levels with illegal patterns may be generated due to the violation of constraints for level design. A traditional way of repairing the defective levels is programming specific rule-based repairers to patch the flaw. However, programming these constraints is sometimes complex and not straightforward. An autonomous level repairer which is capable of learning the constraints is needed. In this paper, we propose a novel approach, CNet, to learn the probability distribution of tiles giving its surrounding tiles on a set of real levels, and then detect the illegal tiles in generated new levels. Then, an evolutionary repairer is designed to search for optimal replacement schemes equipped with a novel search space being constructed with the help of CNet and a novel heuristic function. The proposed approaches are proved to be effective in our case study of repairing GAN-generated and artificially destroyed levels of Super Mario Bros. game. Our CNet-assisted evolutionary repairer can also be easily applied to other games of which the levels can be represented by a matrix of objects or tiles.
• Abstract（参考訳）: ゲームレベルの設計に潜在変数進化を適用することは、人間の専門知識がほとんど必要とされないため、ますます人気が高まっている。 しかし、不規則なパターンを持つ欠陥レベルは、レベル設計の制約に違反するため発生する可能性がある。 欠陥レベルを修復する従来の方法として、特定のルールベースの修正プログラムがある。 しかし、これらの制約のプログラミングは時々複雑であり、単純ではない。 制約を学習できる自律レベル修復機が必要である。 本稿では, 周辺タイルの確率分布を実レベルで学習し, 未知のタイルを新たに生成する手法であるCNetを提案する。 そして、CNetと新しいヒューリスティック関数の助けを借りて構築される新しい検索空間を備えた最適な代替スキームを探索する進化的補修器を設計する。 提案手法は,スーパーマリオブラザーズのGAN生成および人工破壊レベルの修復に有効であることが実証された。 cnetが支援する進化的修復器は、そのレベルをオブジェクトやタイルのマトリックスで表現できる他のゲームにも容易に適用できます。

関連論文リスト

• Guided Game Level Repair via Explainable AI [3.2228025627337864]
  機械学習モデルによって生成された手続き的に生成されたレベルは、さらなる編集なしでは解決できない。 本稿では,その解決不可能性に寄与するレベルの特定領域を特定するための説明可能性手法を提案する。 3つのゲームでテストした結果、このアプローチは手続き的に生成されたレベルを高速に修復するのに役立つことが実証された。
  論文  参考訳（メタデータ） (2024-10-30T15:12:36Z)
• Improving Conditional Level Generation using Automated Validation in Match-3 Games [39.887603099741696]
  本稿では,既存のレベル設計から学習するモデルを改善する新しい手法であるAvalonを提案する。 条件付き変分オートエンコーダを用いて,Match-3レベルのレイアウトを生成する。 条件付けの困難さを伴わないアブレーションモデルと比較することにより,我々のアプローチを定量的に評価する。
  論文  参考訳（メタデータ） (2024-09-10T09:07:47Z)
• Improving Large Language Models via Fine-grained Reinforcement Learning with Minimum Editing Constraint [104.53687944498155]
  強化学習(RL)は、大規模言語モデル(LLM)の訓練に広く用いられている。 本稿では,報酬モデルとして生成モデルを組み込んだRL法 RLMEC を提案する。 生成報酬モデルに基づいて、トレーニングのためのトークンレベルRL目標と、RLプロセスの安定化のための模倣ベース正規化を設計する。
  論文  参考訳（メタデータ） (2024-01-11T17:58:41Z)
• Fine-Grained Knowledge Selection and Restoration for Non-Exemplar Class Incremental Learning [64.14254712331116]
  非典型的なクラスインクリメンタル学習は、過去のトレーニングデータにアクセスすることなく、新しいタスクと古いタスクの両方を学ぶことを目的としている。 本稿では, きめ細かい知識選択と復元のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-20T02:34:11Z)
• Heterogeneous Continual Learning [88.53038822561197]
  本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。 本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。 また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
  論文  参考訳（メタデータ） (2023-06-14T15:54:42Z)
• Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
  本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。 HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
  論文  参考訳（メタデータ） (2023-05-27T02:05:41Z)
• Level Generation for Angry Birds with Sequential VAE and Latent Variable Evolution [25.262831218008202]
  我々は,Angry Birdsのゲームドメインに対して,深部生成モデルに基づくレベル生成を開発する。 実験により,提案したレベルジェネレータは生成レベルの安定性と多様性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2021-04-13T11:23:39Z)
• 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)
• Video Game Level Repair via Mixed Integer Linear Programming [20.815591392882716]
  提案フレームワークは,人為的な実例で訓練されたGAN(Generative Adversarial Network)を用いてレベルを構築し,遊び性制約のある混合整数線形プログラム(MIP)を用いてそれらを修復する。 以上の結果から,提案フレームワークは多種多様なプレイ可能なレベルを生成し,人間に許可されたレベルのオブジェクト間の空間的関係をキャプチャする。
  論文  参考訳（メタデータ） (2020-10-13T18:37:58Z)
• 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)
• Regularizing Meta-Learning via Gradient Dropout [102.29924160341572]
  メタ学習モデルは、メタ学習者が一般化するのに十分なトレーニングタスクがない場合、過度に適合する傾向がある。 本稿では,勾配に基づくメタ学習において過度に適合するリスクを軽減するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2020-04-13T10:47:02Z)

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。