論文の概要: Multi-Objective level generator generation with Marahel

• arxiv url: http://arxiv.org/abs/2005.08368v2
• Date: Wed, 22 Jul 2020 00:03:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 05:07:16.992964
• Title: Multi-Objective level generator generation with Marahel
• Title（参考訳）: Marahelを用いた多目的レベルジェネレータ
• Authors: Ahmed Khalifa and Julian Togelius
• Abstract要約: 我々は,多目的最適化アルゴリズムNSGA-IIを用いて,3つの異なる問題に対するジェネレータの探索を行う。 我々は、より効率的なジェネレータを見つけるために進化を推し進めるために、この表現をマラヘル言語のサブセットに制限する。
• 参考スコア（独自算出の注目度）: 8.400023145634863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a new system to design constructive level generators by searching the space of constructive level generators defined by Marahel language. We use NSGA-II, a multi-objective optimization algorithm, to search for generators for three different problems (Binary, Zelda, and Sokoban). We restrict the representation to a subset of Marahel language to push the evolution to find more efficient generators. The results show that the generated generators were able to achieve good performance on most of the fitness functions over these three problems. However, on Zelda and Sokoban, they tend to depend on the initial state than modifying the map.
• Abstract（参考訳）: 本稿では,Marahel言語で定義された構成レベルジェネレータの空間を探索し,構成レベルジェネレータを設計するシステムを提案する。 我々は、多目的最適化アルゴリズムNSGA-IIを用いて、3つの異なる問題(Binary、Zelda、Sokoban)のジェネレータを探索する。 我々は、マラーヘル言語のサブセットに表現を制限し、より効率的なジェネレータを見つけるために進化を推し進める。 その結果, 生成した発電機は, これら3つの問題に対して, フィットネス機能の大部分において良好な性能を得ることができた。 しかし、ゼルダやソコバンでは、地図を変更するよりも初期状態に依存する傾向がある。

関連論文リスト

• Preference-Guided Refactored Tuning for Retrieval Augmented Code Generation [10.736876118242384]
  本稿では,効率的なコード生成のための新しいフレームワークであるRRG(Retrieve, Refactor, Generate)を提案する。 このフレームワークは、レトリバーとジェネレータの間にコードソースモジュールを導入し、それらをブリッジする。 RRGは、EMでは28%、BLEUでは13%、CodeBLEUでは6.8%に向上した。
  論文  参考訳（メタデータ） (2024-09-24T09:15:37Z)
• GaussianDreamerPro: Text to Manipulable 3D Gaussians with Highly Enhanced Quality [99.63429416013713]
  3D-GSは現実世界のシーンの再構築とレンダリングで大きな成功を収めた。 高いレンダリング品質を生成タスクに転送するために、テキストから3Dガウス資産を生成するための一連の研究が進められている。 生成品質を向上させるため,GaussianDreamerProという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T16:12:09Z)
• $E^{3}$Gen: Efficient, Expressive and Editable Avatars Generation [71.72171053129655]
  本稿では,効率的な,表現的で編集可能なデジタルアバター生成のための3Dガウスモデルを提案する。 本稿では,これらの課題を効果的に解決するために,$E3$Genという新しいアバター生成手法を提案する。 提案手法は,アバター生成における優れた性能を実現し,表現力のあるフルボディポーズ制御と編集を可能にする。
  論文  参考訳（メタデータ） (2024-05-29T15:43:49Z)
• GVGEN: Text-to-3D Generation with Volumetric Representation [89.55687129165256]
  3Dガウススプラッティングは、高速で高品質なレンダリング機能で知られる3D再構成と生成のための強力な技術として登場した。 本稿では,テキスト入力から3次元ガウス表現を効率的に生成する新しい拡散型フレームワークGVGENを提案する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:52Z)
• IM-3D: Iterative Multiview Diffusion and Reconstruction for High-Quality 3D Generation [96.32684334038278]
  本稿では,テキスト・ツー・3Dモデルの設計空間について検討する。 画像生成装置の代わりに映像を考慮し、マルチビュー生成を大幅に改善する。 IM-3Dは,2次元ジェネレータネットワーク10-100xの評価回数を削減する。
  論文  参考訳（メタデータ） (2024-02-13T18:59:51Z)
• Planning with Large Language Models for Code Generation [100.07232672883897]
  Planning-Guided Transformer Decoding (PG-TD) は、計画アルゴリズムを用いてルックアヘッド検索を行い、トランスフォーマーを誘導してより良いプログラムを生成する。 我々は、公開コーディングチャレンジベンチマークのバックボーンとして、いくつかの大きな言語モデルを用いて、我々のフレームワークを実証的に評価する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:47Z)
• Joint Generator-Ranker Learning for Natural Language Generation [99.16268050116717]
  JGRは、ジェネレータとローダを単一のフレームワークに統合する、新しいジョイントトレーニングアルゴリズムである。 ジェネレータとランク装置を反復的に更新することにより、JGRは学習を効果的に調和させ、共同で品質を高めることができる。
  論文  参考訳（メタデータ） (2022-06-28T12:58:30Z)
• Illuminating Diverse Neural Cellular Automata for Level Generation [5.294599496581041]
  本稿では,ゲームレベルを設計するためのニューラルネットワークオートマトン(NCA)のコレクションを生成する手法を提案する。 提案手法は,審美的基準や機能的基準に基づいて,出力レベルが異なる多様なレベルジェネレータを訓練することができる。 本手法は,迷路ゲーム,ソコバン,ゼルダなどの2次元タイルゲームのためのレベルジェネレータ生成に応用する。
  論文  参考訳（メタデータ） (2021-09-12T11:17:31Z)
• Learning Controllable Content Generators [5.5805433423452895]
  多岐にわたる出力を生産できる発電機を「ゴールアウェア」にすることで育成します。 得られたレベルジェネレータは,対象とした制御可能な方法で可能なレベルの空間を探索できることを示す。
  論文  参考訳（メタデータ） (2021-05-06T22:15:51Z)
• Improving GANs for Speech Enhancement [19.836041050328102]
  マルチステージエンハンスメントマッピングを行うために,複数のジェネレータをチェーン化することを提案する。 提案手法は, 1段SEGANベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-01-15T19:57:03Z)

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。