論文の概要: Rolling Horizon NEAT for General Video Game Playing

• arxiv url: http://arxiv.org/abs/2005.06764v1
• Date: Thu, 14 May 2020 07:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 04:11:30.446305
• Title: Rolling Horizon NEAT for General Video Game Playing
• Title（参考訳）: ローリング・ホライズン」でビデオゲームが遊べる
• Authors: Diego Perez-Liebana, Muhammad Sajid Alam, Raluca D. Gaina
• Abstract要約: 本稿では,拡張トポロジ(rhNEAT)のローリング水平神経進化という,新しい統計的前方計画法を提案する。 従来のローリング・ホライゾン・エボリューションとは異なり、rhNEATはリアルタイムでニューラルネットワークの重みと接続を進化させ、ゲームで実行するアクションを返す前にいくつかのステップを計画する。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a new Statistical Forward Planning (SFP) method, Rolling Horizon NeuroEvolution of Augmenting Topologies (rhNEAT). Unlike traditional Rolling Horizon Evolution, where an evolutionary algorithm is in charge of evolving a sequence of actions, rhNEAT evolves weights and connections of a neural network in real-time, planning several steps ahead before returning an action to execute in the game. Different versions of the algorithm are explored in a collection of 20 GVGAI games, and compared with other SFP methods and state of the art results. Although results are overall not better than other SFP methods, the nature of rhNEAT to adapt to changing game features has allowed to establish new state of the art records in games that other methods have traditionally struggled with. The algorithm proposed here is general and introduces a new way of representing information within rolling horizon evolution techniques.
• Abstract（参考訳）: 本稿では,新しい統計フォワードプランニング(sfp)法であるrhneat法(rolling horizon neuroevolution of augmenteding topologies)を提案する。 進化的アルゴリズムが一連のアクションを進化させる従来のローリング水平進化とは異なり、rhNEATはリアルタイムでニューラルネットワークの重みと接続を進化させ、ゲームで実行するアクションを返す前にいくつかのステップを計画する。 アルゴリズムの異なるバージョンは、20のGVGAIゲームのコレクションで探索され、他のSFP手法やアート結果と比較される。 結果が他のSFP法よりも総合的に優れているわけではないが、rhNEATのゲーム機能の変化に適応する性質は、他の方法が伝統的に苦労してきたゲームにおいて、アートレコードの新たな状態を確立することを可能にしている。 ここで提案するアルゴリズムは汎用的であり, 転がり地平線進化技術において情報を表現する新しい方法を提案する。

関連論文リスト

• Neural Functional Transformers [99.98750156515437]
  本稿では,ニューラルファンクショナルトランスフォーマー (NFT) と呼ばれる新しい変分同変量空間層を定義するために,アテンション機構を用いる。 NFTは重み空間の置換対称性を尊重し、注意の利点を取り入れ、複数の領域で顕著な成功を収めた。 Inr2Arrayは暗黙的ニューラル表現(INR)の重みから置換不変表現を計算する新しい方法である。
  論文  参考訳（メタデータ） (2023-05-22T23:38:27Z)
• Variance-Reduced Gradient Estimation via Noise-Reuse in Online Evolution Strategies [50.10277748405355]
  Noise-Reuse Evolution Strategies (NRES) は、非バイアスのオンライン進化戦略の一般的なクラスである。 NRESの結果は既存のAD法やES法よりも早く,様々なアプリケーションにまたがるウォールクロック時間とステップ数で収束することを示す。
  論文  参考訳（メタデータ） (2023-04-21T17:53:05Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Direct Mutation and Crossover in Genetic Algorithms Applied to Reinforcement Learning Tasks [0.9137554315375919]
  本稿では、遺伝的アルゴリズム(GA)を用いて神経進化を適用し、最適な行動エージェントを生成するニューラルネットワークの重みを見つけることに焦点を当てる。 本稿では,データ効率と収束速度を初期実装と比較して改善する2つの新しい修正法を提案する。
  論文  参考訳（メタデータ） (2022-01-13T07:19:28Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Evolving Evolutionary Algorithms with Patterns [0.0]
  このモデルは、MEP(Multi Expression Programming)技術に基づいている。 関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。
  論文  参考訳（メタデータ） (2021-10-10T16:26:20Z)
• Modern Evolution Strategies for Creativity: Fitting Concrete Images and Abstract Concepts [19.986587058076218]
  進化的アルゴリズムは1970年代からデジタルアートシーンで使われてきた。 本研究では,計算創造性向上のための進化的アルゴリズムの利用について再考する。 現代の進化戦略 (ES) アルゴリズムは, 形状の配置をタスクとして, 品質と効率に大きな改善をもたらす。
  論文  参考訳（メタデータ） (2021-09-18T07:04:41Z)
• Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
  本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。 我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。 オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
  論文  参考訳（メタデータ） (2021-08-15T01:06:26Z)
• Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
  ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。 エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。 エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
  論文  参考訳（メタデータ） (2021-04-21T09:28:28Z)
• Rolling Horizon Evolutionary Algorithms for General Video Game Playing [4.560263516804932]
  ローリング水平進化アルゴリズム(Rolling Horizon Evolutionary Algorithms)は、最近、多くのビデオゲームで勝利率で最先端の技術を破ることに成功した。 本稿では,ローリング水平進化アルゴリズム(Rolling Horizon Evolutionary Algorithms)における技術の現状について述べる。 次に、パラメータオプティマイザであるN-Tuple Bandit Evolutionary Algorithmを用いて、General Video Game AI Frameworkから20のゲームで最適なパラメータの組み合わせを見つける。
  論文  参考訳（メタデータ） (2020-03-27T11:19:10Z)

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。