論文の概要: Deep Learning for General Game Playing with Ludii and Polygames
- arxiv url: http://arxiv.org/abs/2101.09562v1
- Date: Sat, 23 Jan 2021 19:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 11:38:15.117944
- Title: Deep Learning for General Game Playing with Ludii and Polygames
- Title（参考訳）: LudiiとPolygamesを用いた汎用ゲームのための深層学習
- Authors: Dennis J. N. J. Soemers, Vegard Mella, Cameron Browne, Olivier Teytaud
- Abstract要約: モンテカルロ木探索とディープニューラルネットワークの組み合わせは、多くのボードゲームにおける自動ゲームプレイのための最先端の結果を生み出している。
本論文では,ポリゲームズがルディイを通じて実施・運営されるゲームのモデルをトレーニングし,評価することを可能にする,ルディイとポリゲームズの間の橋渡しの実装について述べる。
- 参考スコア（独自算出の注目度）: 8.752301343910775
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combinations of Monte-Carlo tree search and Deep Neural Networks, trained
through self-play, have produced state-of-the-art results for automated
game-playing in many board games. The training and search algorithms are not
game-specific, but every individual game that these approaches are applied to
still requires domain knowledge for the implementation of the game's rules, and
constructing the neural network's architecture -- in particular the shapes of
its input and output tensors. Ludii is a general game system that already
contains over 500 different games, which can rapidly grow thanks to its
powerful and user-friendly game description language. Polygames is a framework
with training and search algorithms, which has already produced superhuman
players for several board games. This paper describes the implementation of a
bridge between Ludii and Polygames, which enables Polygames to train and
evaluate models for games that are implemented and run through Ludii. We do not
require any game-specific domain knowledge anymore, and instead leverage our
domain knowledge of the Ludii system and its abstract state and move
representations to write functions that can automatically determine the
appropriate shapes for input and output tensors for any game implemented in
Ludii. We describe experimental results for short training runs in a wide
variety of different board games, and discuss several open problems and avenues
for future research.
- Abstract（参考訳）: モンテカルロ木探索とディープニューラルネットワークの組み合わせは、多くのボードゲームにおける自動ゲームプレイのための最先端の結果を生み出している。
トレーニングと検索のアルゴリズムはゲーム固有のものではないが、これらのアプローチが適用される個々のゲームには、ゲームのルールの実装やニューラルネットワークのアーキテクチャ、特に入力と出力のテンソルの形状に関するドメイン知識がまだ必要である。
ludiiは、すでに500以上のゲームがある汎用ゲームシステムであり、強力なユーザーフレンドリーなゲーム記述言語のおかげで急速に成長することができる。
polygamesはトレーニングと検索アルゴリズムを備えたフレームワークで、すでにいくつかのボードゲームでスーパーヒューマンプレイヤーを制作している。
本稿では,LudiiとPolygamesのブリッジの実装について述べる。
代わりに、ludiiシステムとその抽象状態に関する我々のドメイン知識を活用し、ludiiで実装されたゲームに対して、入力および出力テンソルの適切な形状を自動的に決定できる関数を記述するために表現を移動します。
各種ボードゲームにおけるショートトレーニングの実行実験結果について述べるとともに,今後の研究への課題と道筋について述べる。
関連論文リスト
- GAVEL: Generating Games Via Evolution and Language Models [40.896938709468465]
我々は,Ludiiゲーム記述言語における新規ゲームの生成について検討する。
我々は、コードとして表現されたゲームやメカニクスをインテリジェントに変更し、再結合するモデルを訓練する。
生成されたゲームのサンプルは、Ludiiポータルからオンラインでプレイすることができる。
論文 参考訳（メタデータ） (2024-07-12T16:08:44Z) - Autoverse: An Evolvable Game Language for Learning Robust Embodied Agents [2.624282086797512]
シングルプレイヤ2Dグリッドベースのゲームのための,進化可能なドメイン固有言語であるAutoverseを紹介する。
オープンエンデッドラーニング(OEL)アルゴリズムのスケーラブルなトレーニンググラウンドとしての利用を実証する。
論文 参考訳（メタデータ） (2024-07-05T02:18:02Z) - Open-Ended Wargames with Large Language Models [3.2228025627337864]
質的なウォーゲームを行うための LLM ベースのマルチエージェントシステムである "Snow Globe" を紹介する。
我々はそのソフトウェアアーキテクチャを概念的に記述し、この出版とともにオープンソース実装をリリースする。
このアプローチの潜在的な応用と、より広範なウォーガーミングエコシステムにどのように適合するかについて論じる。
論文 参考訳（メタデータ） (2024-04-17T14:54:58Z) - SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。
実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。
我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
論文 参考訳（メタデータ） (2023-05-24T18:14:35Z) - Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion
Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。
ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。
私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。
提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文 参考訳（メタデータ） (2023-03-23T17:43:17Z) - General Game Heuristic Prediction Based on Ludeme Descriptions [8.344476599818828]
本稿では,ルディイ一般ゲームにおけるゲーム用汎用ゲームの性能について検討する。
我々は,各ゲーム記述ファイルに基づいて,これらのシステムの性能を予測するために,複数の回帰学習モデルを訓練する。
論文 参考訳（メタデータ） (2021-05-26T21:17:47Z) - Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。
品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。
その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
論文 参考訳（メタデータ） (2021-04-17T20:33:24Z) - Teach me to play, gamer! Imitative learning in computer games via
linguistic description of complex phenomena and decision tree [55.41644538483948]
本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。
この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
論文 参考訳（メタデータ） (2021-01-06T21:14:10Z) - Ludii Game Logic Guide [7.444673919915048]
Ludiiは、さまざまなゲームをプレイするのに使用できる一般的なゲームシステムです。
本報告では,Ludiiにおける一般的なゲーム状態と機器の表現について述べる。
論文 参考訳（メタデータ） (2021-01-06T16:22:37Z) - 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) - Exploration Based Language Learning for Text-Based Games [72.30525050367216]
本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。
テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。
これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
論文 参考訳（メタデータ） (2020-01-24T03:03:51Z)
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。