Fugu-MT 論文翻訳(概要): Ensemble Learning For Mega Man Level Generation

論文の概要: Ensemble Learning For Mega Man Level Generation

arxiv url: http://arxiv.org/abs/2107.12524v1
Date: Tue, 27 Jul 2021 00:16:23 GMT
ステータス: 処理完了
システム内更新日: 2021-07-28 14:36:17.715576
Title: Ensemble Learning For Mega Man Level Generation
Title（参考訳）: メガマンレベル生成のためのアンサンブル学習
Authors: Bowei Li, Ruohan Chen, Yuqing Xue, Ricky Wang, Wenwen Li, and Matthew Guzdial
Abstract要約: マルコフ連鎖のアンサンブルを用いて, EmphMega Man レベルをプロシージャ的に生成する方法について検討した。我々は,既存のマルコフ連鎖アプローチと比較し,演奏性およびスタイル的類似度の評価を行った。
参考スコア（独自算出の注目度）: 2.6402344419230697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Procedural content generation via machine learning (PCGML) is the process of procedurally generating game content using models trained on existing game content. PCGML methods can struggle to capture the true variance present in underlying data with a single model. In this paper, we investigated the use of ensembles of Markov chains for procedurally generating \emph{Mega Man} levels. We conduct an initial investigation of our approach and evaluate it on measures of playability and stylistic similarity in comparison to a non-ensemble, existing Markov chain approach.
Abstract（参考訳）: 機械学習による手続き的コンテンツ生成(PCGML)は、既存のゲームコンテンツに基づいて訓練されたモデルを用いて手続き的にゲームコンテンツを生成するプロセスである。 PCGML法は、基礎となるデータに存在する真の分散を単一のモデルで捉えるのに苦労する。本稿では,マルコフ鎖のアンサンブルを用いて,emph{mega man}レベルを手続き的に生成する方法について検討した。提案手法を最初に検討し,既存のマルコフ連鎖アプローチと比較し,遊びやすさとスタイル的類似性の評価を行った。

関連論文リスト

GAMformer: In-Context Learning for Generalized Additive Models [53.08263343627232]
本稿では,1つの前方パスにおけるGAMの形状関数を推定するために,文脈内学習を利用した最初の手法であるGAMformerを紹介する。実験の結果,GAMformerは様々な分類ベンチマークにおいて,他の主要なGAMと同等に動作することがわかった。
論文参考訳（メタデータ） (2024-10-06T17:28:20Z)
Moonshine: Distilling Game Content Generators into Steerable Generative Models [2.9690652756955305]
PCGML(Procedural Content Generation via Machine Learning)は、ゲームコンテンツ生成の強化を図っているが、制御性や限られたトレーニングデータの持続性には課題がある。本研究は, 構成型PCGアルゴリズムを可制御PCGMLモデルに蒸留することにより, これらの問題に対処する。
論文参考訳（メタデータ） (2024-08-18T20:59:59Z)
A modern approach to transition analysis and process mining with Markov models: A tutorial with R [0.9699640804685629]
この章は、この方法を紹介し、最も一般的なバリエーションを区別する。既存の文献の詳細な説明と文脈化に加えて、この章では、各タイプのマルコフモデルの実装方法に関するステップバイステップのチュートリアルを提供している。
論文参考訳（メタデータ） (2023-09-02T07:24:32Z)
Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文参考訳（メタデータ） (2022-09-27T19:04:36Z)
Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-04-19T12:26:26Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文参考訳（メタデータ） (2020-09-27T14:16:14Z)
TOAD-GAN: Coherent Style Level Generation from a Single Example [24.039037782220017]
トークンベースのゲームレベルを生成する新しいPCGアルゴリズムであるTOAD-GANを提案する。スーパーマリオブラザーズレベルへの応用を実証し、任意のサイズで類似したスタイルの新たなレベルを生成することができる。
論文参考訳（メタデータ） (2020-08-04T13:44:50Z)
Sequential Segment-based Level Generation and Blending using Variational Autoencoders [5.33024001730262]
生成されたセグメントが論理的に先行セグメントから従うようなセグメント生成のシーケンシャルモデルを学ぶために、VAEを訓練する。これら4つの方向のいずれかで進行する任意の長レベルを任意に生成できるパイプラインを得る。非固定長のよりコヒーレントなレベルを生成することに加えて、この方法は別のゲームからレベルを暗黙にブレンドすることを可能にしている。
論文参考訳（メタデータ） (2020-07-17T04:11:51Z)
Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文参考訳（メタデータ） (2020-06-05T20:54:11Z)
Capturing Local and Global Patterns in Procedural Content Generation via Machine Learning [9.697217570243845]
機械学習(PCGML)法による最近の手続き的コンテンツ生成により、学習者は既存のコンテンツから類似したコンテンツを生成することができる。これらのアプローチが対称性のような大規模な視覚パターンをどの程度うまく捉えることができるかは、オープンな疑問である。本稿では,PCGMLアルゴリズムが適切なパターンを生成する能力について,その領域として3つのゲームにマッチする手法を提案する。
論文参考訳（メタデータ） (2020-05-26T08:58:37Z)

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。