論文の概要: Learning Controllable Content Generators
- arxiv url: http://arxiv.org/abs/2105.02993v1
- Date: Thu, 6 May 2021 22:15:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:28:22.052698
- Title: Learning Controllable Content Generators
- Title(参考訳): 制御可能なコンテンツジェネレータの学習
- Authors: Sam Earle, Maria Edwards, Ahmed Khalifa, Philip Bontrager and Julian
Togelius
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.5805433423452895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It has recently been shown that reinforcement learning can be used to train
generators capable of producing high-quality game levels, with quality defined
in terms of some user-specified heuristic. To ensure that these generators'
output is sufficiently diverse (that is, not amounting to the reproduction of a
single optimal level configuration), the generation process is constrained such
that the initial seed results in some variance in the generator's output.
However, this results in a loss of control over the generated content for the
human user. We propose to train generators capable of producing controllably
diverse output, by making them "goal-aware." To this end, we add conditional
inputs representing how close a generator is to some heuristic, and also modify
the reward mechanism to incorporate that value. Testing on multiple domains, we
show that the resulting level generators are capable of exploring the space of
possible levels in a targeted, controllable manner, producing levels of
comparable quality as their goal-unaware counterparts, that are diverse along
designer-specified dimensions.
- Abstract(参考訳): 近年,ユーザ特定ヒューリスティック(ヒューリスティック,ヒューリスティック,ヒューリスティック)を用いて,高品質なゲームレベルを創出できるジェネレータの訓練に強化学習を用いることが示されている。
これらのジェネレータの出力が十分に多様であることを保証するため(つまり、単一の最適レベル構成の再現に相当しない)、生成プロセスは、初期シードがジェネレータの出力にある程度のばらつきをもたらすように制約される。
しかし、これによって生成されたコンテンツに対するコントロールが失われる。
本稿では,制御可能な多様な出力を生成できる発電機を「ゴールアウェア」として訓練することを提案する。
この目的のために、生成元がヒューリスティックにどの程度近いかを表す条件入力を追加し、その値を組み込むために報酬機構を変更します。
複数のドメインでテストした結果、レベルジェネレータは、ターゲットとした、制御可能な方法で可能なレベルの空間を探索でき、目標を意識していないものと同等の品質のレベルを生成できることを示しました。
関連論文リスト
- What Comes Next? Evaluating Uncertainty in Neural Text Generators
Against Human Production Variability [28.403105682913374]
我々は,4つの自然言語生成(NLG)タスクにおいて,人間の生産が語彙的に,構文的に,意味的に変化する範囲を特徴付ける。
次に、生成系の予測確率分布と復号化アルゴリズムによって形成される出力文字列の空間を調べ、その不確実性を探索する。
我々は、NLGモデルと復号化戦略を分析し、複数のサンプルを持つジェネレータを探索することで、モデルの不確実性表現を理解するのに必要な詳細レベルが提供されることを示した。
論文 参考訳(メタデータ) (2023-05-19T14:41:55Z) - Contrastive Learning for Diverse Disentangled Foreground Generation [67.81298739373766]
本稿では,様々な要因を明示的に制御した多種多様な前景生成手法を提案する。
我々は、暗黙の入力に対して様々なフォアグラウンド結果を生成するために、遅延符号を用いたコントラスト学習を利用する。
実験により,本手法の多様性と生成制御性において,最先端技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-04T18:51:04Z) - Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。
128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-10-29T03:55:34Z) - Start Small: Training Game Level Generators from Nothing by Learning at
Multiple Sizes [0.0]
プロシージャレベルジェネレータはノイズからレベルを生成するツールである。
ジェネレータを構築する方法のひとつに機械学習があるが、トレーニングデータの希少さを考えると、ジェネレータを無からトレーニングするための複数の方法が提案されている。
本稿では,所望のサイズの小さいものから所望のサイズのものまで,複数のレベルの大きさで学習することで,無からジェネレータを訓練する新しい手法を提案する。
論文 参考訳(メタデータ) (2022-09-29T18:52:54Z) - 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) - Collaging Class-specific GANs for Semantic Image Synthesis [68.87294033259417]
本稿では,高分解能なセマンティック画像合成のための新しい手法を提案する。
1つのベースイメージジェネレータと複数のクラス固有のジェネレータで構成される。
実験により,本手法は高解像度で高品質な画像を生成することができることが示された。
論文 参考訳(メタデータ) (2021-10-08T17:46:56Z) - 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) - Slimmable Generative Adversarial Networks [54.61774365777226]
近年、GAN(Generative adversarial Network)は目覚ましい進歩を遂げていますが、モデルの継続的な拡大は、実用的なアプリケーションに広く展開することを困難にしています。
本稿では,実行時の各種品質効率トレードオフに対応するため,発電機の幅を柔軟に切り替えることのできるスリムブルGANを提案する。
論文 参考訳(メタデータ) (2020-12-10T13:35:22Z) - Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。
本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。
我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文 参考訳(メタデータ) (2020-07-17T21:50:35Z)
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。