Fugu-MT 論文翻訳(概要): Toward Co-creative Dungeon Generation via Transfer Learning

論文の概要: Toward Co-creative Dungeon Generation via Transfer Learning

arxiv url: http://arxiv.org/abs/2107.12533v1
Date: Tue, 27 Jul 2021 00:54:55 GMT
ステータス: 処理完了
システム内更新日: 2021-07-28 14:55:26.156201
Title: Toward Co-creative Dungeon Generation via Transfer Learning
Title（参考訳）: 転校学習による共同創造ダンジョン生成に向けて
Authors: Zisen Zhou and Matthew Guzdial
Abstract要約: 機械学習による共同制作の手続き的コンテンツ生成(PCGML)は、PCGMLエージェントと人間が協調して出力コンテンツを生成するシステムを指す。共同創造型PCGMLの限界の1つは、PCGMLエージェントが人間と対話することを学ぶために、共同創造型トレーニングデータが必要であることである。本稿では,人間とAIのインタラクションデータの近似と移動学習を用いて,学習した共創造的知識をゲームから別のゲームに適応させる手法を提案する。
参考スコア（独自算出の注目度）: 1.590611306750623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Co-creative Procedural Content Generation via Machine Learning (PCGML) refers to systems where a PCGML agent and a human work together to produce output content. One of the limitations of co-creative PCGML is that it requires co-creative training data for a PCGML agent to learn to interact with humans. However, acquiring this data is a difficult and time-consuming process. In this work, we propose approximating human-AI interaction data and employing transfer learning to adapt learned co-creative knowledge from one game to a different game. We explore this approach for co-creative Zelda dungeon room generation.
Abstract（参考訳）: 機械学習による共同制作の手続き的コンテンツ生成(PCGML)は、PCGMLエージェントと人間が協調して出力コンテンツを生成するシステムを指す。共同創造型PCGMLの限界の1つは、PCGMLエージェントが人間と対話することを学ぶために、共同創造型トレーニングデータが必要であることである。しかし、このデータを取得するのは難しく、時間がかかる。本研究では,人間とAIのインタラクションデータの近似と伝達学習を用いて,学習した共創造的知識をゲームから別のゲームに適応させる手法を提案する。共同創造型ゼルダダンジョンルーム生成のためのこのアプローチについて検討する。

関連論文リスト

Tree-Based Reconstructive Partitioning: A Novel Low-Data Level Generation Approach [5.626364462708322]
PCG(Procedural Content Generation)とPCGML(Machine Learning)が発売されている。 Tree-based Reconstructive Partitioning (TRP)は、この問題に対処するための新しいPCGMLアプローチである。
論文参考訳（メタデータ） (2023-09-18T20:39:14Z)
Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
論文参考訳（メタデータ） (2023-07-05T17:59:27Z)
Imitating Task and Motion Planning with Visuomotor Transformers [71.41938181838124]
タスク・アンド・モーション・プランニング(TAMP)は、多様なデモンストレーションの大規模なデータセットを自律的に生成できる。本研究では,TAMPスーパーバイザが生成する大規模データセットと,それらに適合するフレキシブルトランスフォーマーモデルの組み合わせが,ロボット操作の強力なパラダイムであることを示す。我々は,TAMPエージェントを模倣して大規模ビジュモータトランスフォーマーポリシーを訓練する OPTIMUS という新しい模倣学習システムを提案する。
論文参考訳（メタデータ） (2023-05-25T17:58:14Z)
Procedural Content Generation via Knowledge Transformation (PCG-KT) [8.134009219520289]
知識変換(PCG-KT)による手続き的コンテンツ生成の概念を導入する。本研究の動機は,先進的な知識を再調達することで,新たなコンテンツを生み出すことに焦点を当てた最近のPCG作品が多数あることにある。
論文参考訳（メタデータ） (2023-05-01T03:31:22Z)
Generating Lode Runner Levels by Learning Player Paths with LSTMs [2.199085230546853]
本稿では,人間的な経路を学習し,その経路に基づいてレベルを生成することによって,課題に対処しようとする。ゲームプレイビデオからプレーヤパスデータを抽出し、LSTMをトレーニングし、このデータに基づいて新たなパスを生成し、このパスデータに基づいてゲームレベルを生成する。我々は,既存のPCGMLアプローチと比較して,ゲームLode Runnerのコヒーレントなレベルが向上することが実証された。
論文参考訳（メタデータ） (2021-07-27T00:48:30Z)
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)
Explainability via Responsibility [0.9645196221785693]
本稿では,特定のトレーニングインスタンスをユーザに提供する,説明可能な人工知能へのアプローチを提案する。我々は、AIエージェントの動作の説明を人間のユーザに提供する能力を近似することで、このアプローチを評価する。
論文参考訳（メタデータ） (2020-10-04T20:41:03Z)
Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文参考訳（メタデータ） (2020-04-29T18:00:22Z)
Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
論文参考訳（メタデータ） (2020-04-08T14:11:05Z)
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)
On the interaction between supervision and self-play in emergent communication [82.290338507106]
本研究は,2つのカテゴリの学習信号と,サンプル効率の向上を目標とする学習信号の関係について検討する。人間のデータに基づく教師付き学習による初等訓練エージェントが,自己演奏が会話に優れていることが判明した。
論文参考訳（メタデータ） (2020-02-04T02:35:19Z)

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。