論文の概要: Fast Game Content Adaptation Through Bayesian-based Player Modelling
- arxiv url: http://arxiv.org/abs/2105.08484v1
- Date: Tue, 18 May 2021 12:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 19:30:56.154225
- Title: Fast Game Content Adaptation Through Bayesian-based Player Modelling
- Title（参考訳）: ベイズ型プレイヤーモデリングによる高速ゲームコンテンツ適応
- Authors: Miguel Gonz\'alez-Duque, Rasmus Berg Palm and Sebastian Risi
- Abstract要約: 本稿では、動的難易度調整(DDA)の文脈でこの目標を実現する新しい方法を検討する。
その目的は、ゲームの内容が常にプレイヤーのスキルレベルに適応し、難しすぎるか難しすぎるかのどちらかの状態を回避し、それらを関与し続けることである。
DDAの現在のシステムは、高価なデータマイニングや、特定のドメイン用に設計された手作りのルールに依存しており、通常はプレイヤーをフローに留めるために適応する。
- 参考スコア（独自算出の注目度）: 6.510061176722249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In games (as well as many user-facing systems), adapting content to user's
preferences and experience is an important challenge. This paper explores a
novel method to realize this goal in the context of dynamic difficulty
adjustment (DDA). Here the aim is to constantly adapt the content of a game to
the skill level of the player, keeping them engaged by avoiding states that are
either too difficult or too easy. Current systems for DDA rely on expensive
data mining, or on hand-crafted rules designed for particular domains, and
usually adapts to keep players in the flow, leaving no room for the designer to
present content that is purposefully easy or difficult. This paper presents a
Bayesian Optimization-based system for DDA that is agnostic to the domain and
that can target particular difficulties. We deploy this framework in two
different domains: the puzzle game Sudoku, and a simple Roguelike game. By
modifying the acquisition function's optimization, we are reliably able to
present a puzzle with a bespoke difficulty for players with different skill
levels in less than five iterations (for Sudoku) and fifteen iterations (for
the simple Roguelike), significantly outperforming simpler heuristics for
difficulty adjustment in said domains, with the added benefit of maintaining a
model of the user. These results point towards a promising alternative for
content adaption in a variety of different domains.
- Abstract（参考訳）: ゲーム(および多くのユーザ向けシステム)では、ユーザの好みや経験にコンテンツを適用することが重要な課題である。
本稿では,動的難易度調整(DDA)の文脈において,この目標を実現する新しい手法を提案する。
ここでの目的は、ゲームの内容がプレイヤーのスキルレベルに常に適応し、難しすぎるか難しすぎる状態を避けることで、プレイヤーをエンゲージさせることである。
DDAの現在のシステムは、高価なデータマイニングや、特定のドメイン用に設計された手作りのルールに依存しており、通常はプレイヤーをフローに維持するために適応し、デザイナーが意図的に簡単または困難であるコンテンツを提示する余地は残っていない。
本稿では,領域に依存せず,特定の困難を対象とするベイズ最適化ベースのddaシステムを提案する。
我々はこのフレームワークをパズルゲームSudokuと単純なRogueライクゲームという2つの異なる領域に展開する。
獲得関数の最適化を変更することで,5回未満の反復(sudoku)と15回の反復(simple roguelike)で,異なるスキルレベルを持つプレイヤーに対して,難易度の高いパズルを提示できる。
これらの結果は、様々な領域におけるコンテンツ適応の有望な代替案を指している。
関連論文リスト
- Instruction-Driven Game Engine: A Poker Case Study [53.689520884467065]
IDGEプロジェクトは、大規模言語モデルで自由形式のゲーム記述を追従し、ゲームプレイプロセスを生成することにより、ゲーム開発を民主化することを目的としている。
我々は、複雑なシナリオへの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。
我々の最初の進歩はポーカーのIDGEの開発であり、これは幅広いポーカーの変種をサポートするだけでなく、自然言語入力を通じて高度に個別化された新しいポーカーゲームを可能にする。
論文 参考訳（メタデータ） (2024-10-17T11:16:27Z) - CoDA: Instructive Chain-of-Domain Adaptation with Severity-Aware Visual Prompt Tuning [6.467495914193209]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインへのモデルを適応することを目的としている。
CoDAはモデルに、シーンやイメージレベルでの相違点を識別、焦点付け、学習するように指示する。
CoDAは、あらゆる悪い場面で広く使用されているベンチマークでSOTAのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-26T04:09:08Z) - Automated Graph Genetic Algorithm based Puzzle Validation for Faster
Game Desig [69.02688684221265]
本稿では,コンピュータゲームにおける論理パズルを効率的に解くための進化的アルゴリズムを提案する。
制約満足度問題に対するハイブリッド遺伝的アプローチの様々なバリエーションについて論じる。
論文 参考訳（メタデータ） (2023-02-17T18:15:33Z) - Personalized Game Difficulty Prediction Using Factorization Machines [0.9558392439655011]
コンテンツレコメンデーションからの手法を借りて,ゲームレベルのパーソナライズした難易度推定に寄与する。
我々は、プレイヤーが将来のゲームレベルを通過させるのに必要な試行回数と、他のプレイヤーがプレイする以前のレベルの試行回数に基づいて、難易度を予測することができる。
この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学ぶことができる,有望なツールであることが示唆された。
論文 参考訳（メタデータ） (2022-09-06T08:03:46Z) - Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。
本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
論文 参考訳（メタデータ） (2022-06-27T08:16:59Z) - DL-DDA -- Deep Learning based Dynamic Difficulty Adjustment with UX and
Gameplay constraints [0.8594140167290096]
ゲームによって課される他のプレイヤーやマクロ制約を考慮して,ユーザエクスペリエンスを自動的に最適化する手法を提案する。
ゲームデザインの専門家が作成したマニュアルを,20万ドルで実験し,その成果を実演した。
論文 参考訳（メタデータ） (2021-06-06T09:47:15Z) - 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) - Deep Policy Networks for NPC Behaviors that Adapt to Changing Design
Parameters in Roguelike Games [137.86426963572214]
例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。
複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-07T08:47:25Z) - Integrating Variable Reduction Strategy with Evolutionary Algorithm for
Solving Nonlinear Equations Systems [78.08328822422382]
本稿では、NESを解くために、可変化戦略(VRS)を進化的アルゴリズム(EA)に組み込むことを提案する。
VRSは、NESを表現するシステムを完全に利用し、方程式系に存在する変数関係を通して他の変数(例えば、還元変数)を表現するためにいくつかの変数(コア変数)を使用する。
ファミコン処理におけるVRSの有効性を検証するために,本稿では,VRSを既存の2つのEA手法に統合する。
論文 参考訳（メタデータ） (2020-07-13T09:58:31Z) - Exploring Dynamic Difficulty Adjustment in Videogames [0.0]
最近の研究テーマであるDDA(Dynamic Difficulty Adjustment)について紹介する。
DDAは、プレイヤーが関与し、適切に挑戦し続ける、自動的な難易度選択メカニズムを開発することを目的としている。
この問題に対処する最近の研究と、その実装方法の概要を紹介する。
論文 参考訳（メタデータ） (2020-07-06T15:05:20Z) - Finding Game Levels with the Right Difficulty in a Few Trials through
Intelligent Trial-and-Error [16.297059109611798]
ダイナミックな難易度調整の方法は、ゲームが特定のプレイヤーに調整されてエンゲージメントを最大化することを可能にする。
現在の手法では、相手の難易度やリソースの可利用性など、限られたゲーム機能だけを変更していることが多い。
本稿では,数回の試行で特定の目的の難易度で完全なレベルを生成・探索できる手法を提案する。
論文 参考訳（メタデータ） (2020-05-15T17:48:18Z)
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。