論文の概要: Towards Game Design via Creative Machine Learning (GDCML)

• arxiv url: http://arxiv.org/abs/2008.13548v1
• Date: Sat, 25 Jul 2020 21:15:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 00:34:36.420768
• Title: Towards Game Design via Creative Machine Learning (GDCML)
• Title（参考訳）: Creative Machine Learning (GDCML) によるゲームデザインに向けて
• Authors: Anurag Sarkar, Seth Cooper
• Abstract要約: 我々は、ゲームのためのコンテンツデザインにこのような創造的手法を活用・再利用し、クリエイティブML(GDCML)によるゲームデザインのアプローチとして言及する。 我々は、GDCMLを可能にする既存のシステムを強調し、サンプルアプリケーションと提案システムを介して、クリエイティブMLがいかに新しいシステムに通知できるかを説明する。
• 参考スコア（独自算出の注目度）: 5.33024001730262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, machine learning (ML) systems have been increasingly applied for performing creative tasks. Such creative ML approaches have seen wide use in the domains of visual art and music for applications such as image and music generation and style transfer. However, similar creative ML techniques have not been as widely adopted in the domain of game design despite the emergence of ML-based methods for generating game content. In this paper, we argue for leveraging and repurposing such creative techniques for designing content for games, referring to these as approaches for Game Design via Creative ML (GDCML). We highlight existing systems that enable GDCML and illustrate how creative ML can inform new systems via example applications and a proposed system.
• Abstract（参考訳）: 近年、機械学習(ML)システムはクリエイティブなタスクの実行にますます応用されている。 このような創造的なMLアプローチは、画像や音楽の生成やスタイル転送といった用途に視覚芸術や音楽の領域で広く利用されている。 しかし、ゲームコンテンツを生成するMLベースの手法が出現しても、ゲームデザインの分野では、同様の創造的ML技術が広く採用されていない。 本稿では,ゲーム用コンテンツ設計におけるこのような創造的手法の活用と再利用を論じ,創造的ML(GDCML)によるゲームデザインのアプローチとして言及する。 我々は、GDCMLを可能にする既存のシステムを強調し、サンプルアプリケーションと提案システムを介して、クリエイティブMLがいかに新しいシステムに通知できるかを説明する。

関連論文リスト

• ICE-T: A Multi-Faceted Concept for Teaching Machine Learning [2.9685635948300004]
  我々は、コンピュータサイエンスの教育に使用される実践的原則を考察し、基準を定義し、既存の著名なプラットフォーム、ツール、ゲームの選択を評価します。 我々は、主にブラックボックスとして機械学習を描写するアプローチを批判し、結果としてデータ、アルゴリズム、モデルを理解することに重点を置いていない。 本稿では、既知の教義の延長として、モーダル間移動、計算、説明的思考、ICE-Tについて述べる。
  論文  参考訳（メタデータ） (2024-11-08T09:16:05Z)
• Unbounded: A Generative Infinite Game of Character Life Simulation [68.37260000219479]
  生成モデルを用いて,有限なハードコードシステムの境界を超越したゲームである生成無限ゲームの概念を導入する。 我々は、生成AIの最近の進歩を活用して、生成モデルに完全にカプセル化されたキャラクターライフシミュレーションゲームUnboundedを作成する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:31Z)
• PUMA: Empowering Unified MLLM with Multi-granular Visual Generation [62.747751204215916]
  統一MLLMと多言語視覚生成を併用したPUMAを提案する。 PUMAはMLLMの入力と出力の両方としてマルチグラニュラ視覚特徴を統一する。 この研究は、様々な視覚的タスクの粒度要求に適応できる真に統一されたMLLMに向けた重要なステップである。
  論文  参考訳（メタデータ） (2024-10-17T17:59:57Z)
• EAGLE: Towards Efficient Arbitrary Referring Visual Prompts Comprehension for Multimodal Large Language Models [80.00303150568696]
  本稿では,既存のアプローチよりもトレーニングの少ない任意の参照視覚的プロンプトの理解を促進するための,MLLM(Multimodal Large Language Models)を提案する。 本手法は,視覚的プロンプトを,MLLMに理解可能な特定の空間領域を伝達する空間概念として応用する。 我々はまた、MLLMの領域レベルの理解を視覚的プロンプトを参照する特定の形式にさらに引き離すための幾何非依存学習パラダイム(GAL)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T08:22:00Z)
• Rethinking Visual Prompting for Multimodal Large Language Models with External Knowledge [76.45868419402265]
  マルチモーダルな大言語モデル(MLLM)は、膨大な高品質の画像テキストデータセットをトレーニングすることで、大きな進歩を遂げている。 しかし、マスクのような細粒度や空間的に密集した情報をテキストで明示的に伝達することの難しさは、MLLMにとって困難である。 本稿では、特殊な視覚モデルから派生した細粒度の外部知識をMLLMに統合する新しい視覚的プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-07-05T17:43:30Z)
• LLM2FEA: Discover Novel Designs with Generative Evolutionary Multitasking [21.237950330178354]
  本稿では,複数の領域にまたがる知識を伝達することで,生成モデルにおける新しい設計を初めて発見する試みを提案する。 多要素進化アルゴリズム(MFEA)を用いて大きな言語モデルを駆動し、LLM2FEAは様々な分野からの知識を統合し、新規で実用的なオブジェクトを発見する際に生成モデルを導くプロンプトを生成する。
  論文  参考訳（メタデータ） (2024-06-21T07:20:51Z)
• Multi-modal Instruction Tuned LLMs with Fine-grained Visual Perception [63.03288425612792]
  マルチモーダル参照から画素単位のオブジェクト認識と自然言語記述を生成できる汎用MLLMモデルであるbfAnyRefを提案する。 本モデルでは,領域レベルの参照表現生成とセグメンテーションの多様さを含む,複数のベンチマークにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-03-05T13:45:46Z)
• Evolutionary Machine Learning and Games [2.742755573637173]
  この章は、進化が機械学習(ML)の強化に使用されるか、進化を増強するためにMLが使用されるかに基づいて、ゲーム向けに構成する。 完全性については、ゲーム内でMLと進化を別々に使用することについても、簡潔に論じる。
  論文  参考訳（メタデータ） (2023-11-20T13:21:39Z)
• A Controllable Co-Creative Agent for Game System Design [9.356870107137093]
  状態マシンライクなコンポーネントとリソースフローを用いたゲームモデルを提案する。 このシステムは、幅広いゲームを表現することができ、将来の共同制作アプリケーションに対して人間による制御が可能であることに気付きました。
  論文  参考訳（メタデータ） (2023-08-04T13:34:51Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• Declarative Machine Learning Systems [7.5717114708721045]
  機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。 近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。 MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
  論文  参考訳（メタデータ） (2021-07-16T23:57:57Z)

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。