Fugu-MT 論文翻訳(概要): A Metric Learning Approach to Anomaly Detection in Video Games

論文の概要: A Metric Learning Approach to Anomaly Detection in Video Games

arxiv url: http://arxiv.org/abs/2005.10211v2
Date: Wed, 1 Jul 2020 13:27:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 05:06:08.450380
Title: A Metric Learning Approach to Anomaly Detection in Video Games
Title（参考訳）: ビデオゲームにおける異常検出のためのメトリック学習手法
Authors: Benedict Wilkins, Chris Watkins, Kostas Stathis
Abstract要約: 我々は、異常検出のための効率的な深度学習手法として、ステート・ステート・シームズ・ネットワーク(S3N)を開発した。我々は,一連のアタリゲームにおいて経験的評価により,S3Nが意味のある埋め込みを学習できることを示す。
参考スコア（独自算出の注目度）: 1.1602089225841632
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the aim of designing automated tools that assist in the video game quality assurance process, we frame the problem of identifying bugs in video games as an anomaly detection (AD) problem. We develop State-State Siamese Networks (S3N) as an efficient deep metric learning approach to AD in this context and explore how it may be used as part of an automated testing tool. Finally, we show by empirical evaluation on a series of Atari games, that S3N is able to learn a meaningful embedding, and consequently is able to identify various common types of video game bugs.
Abstract（参考訳）: ゲーム品質保証プロセスを支援する自動化ツールを設計することを目的として,ゲーム中のバグを異常検出(AD)問題として識別する問題を考察した。我々は、この文脈でADに対する効率的な深度学習アプローチとして、ステート・ステート・シームズ・ネットワーク(S3N)を開発し、自動テストツールの一部としてどのように使用されるかを探る。最後に,一連のアタリゲームに対して実証評価を行い,S3Nは意味のある埋め込みを学習でき,その結果,様々な種類のビデオゲームのバグを識別できることを示す。

関連論文リスト

Finding the Needle in a Haystack: Detecting Bug Occurrences in Gameplay Videos [10.127506928281413]
本稿では、機械学習を用いて、ゲームプレイビデオの一部にバグの描写が含まれているかどうかを予測する自動化アプローチを提案する。我々は、198本のゲームプレイビデオの4,412のセグメントを分析し、あるセグメントがバグのインスタンスを含んでいるかどうかを予測する。本手法は, バグを含む映像のセグメント検出に有効であり, F1スコア0.88を達成し, バグ分類の最先端技術よりも優れていた。
論文参考訳（メタデータ） (2023-11-18T01:14:18Z)
Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
論文参考訳（メタデータ） (2023-07-19T18:19:23Z)
World of Bugs: A Platform for Automated Bug Detection in 3D Video Games [1.370633147306388]
We present World of Bugs, a open platform that aimed to support automated Bug Detection research in video games。主な特徴は、ABDアプローチのトレーニングと評価に使用される、一般的なビデオゲームのバグの集合である。
論文参考訳（メタデータ） (2022-06-21T10:52:03Z)
Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
論文参考訳（メタデータ） (2022-03-26T14:06:29Z)
Learning to Identify Perceptual Bugs in 3D Video Games [1.370633147306388]
そこで本研究では,学習に基づく手法を用いて,知覚的バグの範囲を同定できることを示す。 World of Bugs (WOB)は、3Dゲーム環境でABDメソッドをテストするオープンプラットフォームである。
論文参考訳（メタデータ） (2022-02-25T18:50:11Z)
CCPT: Automatic Gameplay Testing and Validation with Curiosity-Conditioned Proximal Trajectories [65.35714948506032]
Curiosity-Conditioned Proximal Trajectories (CCPT)法は、好奇心と模倣学習を組み合わせてエージェントを訓練して探索する。 CCPTが複雑な環境を探索し、ゲームプレイの問題を発見し、その過程におけるデザインの監視を行い、それらをゲームデザイナーに直接認識し、強調する方法について説明する。
論文参考訳（メタデータ） (2022-02-21T09:08:33Z)
DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
論文参考訳（メタデータ） (2020-12-03T13:53:29Z)
Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文参考訳（メタデータ） (2020-11-15T10:21:28Z)
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)
Disentangling Controllable Object through Video Prediction Improves Visual Reinforcement Learning [82.25034245150582]
多くの視覚に基づく強化学習問題において、エージェントは視野内の可動物体を制御する。制御可能なオブジェクトを観測信号から切り離すためのエンドツーエンド学習フレームワークを提案する。不整合表現は、RLがエージェントに追加の観察チャネルとして有用であることが示されている。
論文参考訳（メタデータ） (2020-02-21T05:43:34Z)

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。