論文の概要: Pairing Character Classes in a Deathmatch Shooter Game via a Deep-Learning Surrogate Model

• arxiv url: http://arxiv.org/abs/2103.15451v1
• Date: Mon, 29 Mar 2021 09:34:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:36:12.880574
• Title: Pairing Character Classes in a Deathmatch Shooter Game via a Deep-Learning Surrogate Model
• Title（参考訳）: ディープラーニングサーロゲートモデルによるデスマッチシューティングゲームにおけるペアキャラクタクラス
• Authors: Daniel Karavolos, Antonios Liapis and Georgios N. Yannakakis
• Abstract要約: 本稿では,ゲームレベル構造とゲームのキャラクタークラスパラメータを入力として,ゲームプレイ結果を出力として組み合わせたモデルを構築する上で,ディープラーニングがいかに役立つかを考察する。 その後、モデルは特定のレベルと所望のゲーム結果(例えば短い期間のバランスの取れたマッチ)のクラスを生成するために使用される。
• 参考スコア（独自算出の注目度）: 2.323282558557423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a surrogate model of gameplay that learns the mapping between different game facets, and applies it to a generative system which designs new content in one of these facets. Focusing on the shooter game genre, the paper explores how deep learning can help build a model which combines the game level structure and the game's character class parameters as input and the gameplay outcomes as output. The model is trained on a large corpus of game data from simulations with artificial agents in random sets of levels and class parameters. The model is then used to generate classes for specific levels and for a desired game outcome, such as balanced matches of short duration. Findings in this paper show that the system can be expressive and can generate classes for both computer generated and human authored levels.
• Abstract（参考訳）: 本稿では,異なるゲームファセット間のマッピングを学習するゲームプレイの代理モデルを紹介し,これら1つのファセットで新しいコンテンツをデザインする生成システムに適用する。 本論文は,シューティングゲームジャンルに着目し,ゲームレベル構造とゲームのキャラクタークラスパラメータを入力として,ゲームプレイ結果を出力として組み合わせたモデルの構築を支援する。 このモデルは、ランダムなレベルとクラスパラメータのセット内の人工エージェントによるシミュレーションから、ゲームデータの大規模なコーパスでトレーニングされる。 その後、モデルは特定のレベルと所望のゲーム結果(例えば短い期間のバランスの取れたマッチ)のクラスを生成するために使用される。 本稿では,このシステムが表現性が高く,コンピュータ生成レベルと人間認証レベルの両方のクラスを生成可能であることを示す。

関連論文リスト

• Cardiverse: Harnessing LLMs for Novel Card Game Prototyping [9.435009911810955]
  カードゲームは創造的なアイデアとゲームプレイ評価において広範囲の人的努力を必要とする。 大規模言語モデルの最近の進歩は、これらのプロセスの自動化と合理化の機会を提供する。 本稿では,カードゲームの自動プロトタイピングフレームワークを導入することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-02-10T23:47:35Z)
• 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)
• Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
  オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。 基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
  論文  参考訳（メタデータ） (2023-01-13T19:58:27Z)
• Partner-Assisted Learning for Few-Shot Image Classification [54.66864961784989]
  人間の視覚能力を模倣し、徹底的な人間のアノテーションを必要とせずに効果的なモデルを学ぶために、わずかなショットラーニングが研究されている。 本稿では,新しいクラスのプロトタイプをラベル付きサンプルから推定できるように,要素表現を得るためのトレーニング戦略の設計に焦点をあてる。 本稿では,まずパートナーエンコーダのペアワイド類似性をモデル化し,ソフトアンカーとして機能する特徴を抽出し,その出力をソフトアンカーと整列させ,分類性能を最大化しようとする2段階トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T22:46:19Z)
• ViViT: A Video Vision Transformer [75.74690759089529]
  ビデオ分類にpure-transformerベースのモデルを提案する。 本モデルでは,入力ビデオから時間トークンを抽出し,一連のトランスフォーマー層で符号化する。 トレーニング中にモデルを効果的に正規化し、トレーニング済みの画像モデルを利用して比較的小さなデータセットでトレーニングできることを示します。
  論文  参考訳（メタデータ） (2021-03-29T15:27:17Z)
• 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)
• Learning to Generate Levels From Nothing [5.2508303190856624]
  演奏レベルを設計するジェネレーティブ・プレイング・ネットワークを提案する。 このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学習するジェネレータの2つの部分で構成されている。 本研究では,2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,このフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2020-02-12T22:07:23Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

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。