Fugu-MT 論文翻訳(概要): Identification of Play Styles in Universal Fighting Engine

論文の概要: Identification of Play Styles in Universal Fighting Engine

arxiv url: http://arxiv.org/abs/2108.03599v1
Date: Sun, 8 Aug 2021 10:06:16 GMT
ステータス: 処理完了
システム内更新日: 2021-08-11 06:55:57.489174
Title: Identification of Play Styles in Universal Fighting Engine
Title（参考訳）: ユニバーサルファイティングエンジンにおけるプレイスタイルの同定
Authors: Kaori Yuda, Shota Kamei, Riku Tanji, Ryoya Ito, Ippo Wakana and Maxim Mozgovoy
Abstract要約: 我々は、AIと人間制御されたキャラクターのプレイスタイルを比較するために、自動プロシージャをどのように使用できるかを示す。また,ゲーム参加者の人間らしさや多様性を評価する上でも有効であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI-controlled characters in fighting games are expected to possess reasonably high skills and behave in a believable, human-like manner, exhibiting a diversity of play styles and strategies. Thus, the development of fighting game AI requires the ability to evaluate these properties. For instance, it should be possible to ensure that the characters created are believable and diverse. In this paper, we show how an automated procedure can be used to compare play styles of individual AI- and human-controlled characters, and to assess human-likeness and diversity of game participants.
Abstract（参考訳）: 対戦ゲームにおけるAI制御されたキャラクターは、合理的に高いスキルを持ち、信じられないほど人間らしく振る舞うことが期待され、プレイスタイルや戦略の多様性を示す。したがって、格闘ゲームAIの開発には、これらの特性を評価する能力が必要である。例えば、作成したキャラクタが信じられないほど多様であることを保証する必要がある。本稿では,AIと人間制御された個々のキャラクターのプレイスタイルを自動で比較し,ゲーム参加者の人間類似性や多様性を評価する方法について述べる。

関連論文リスト

Maia-2: A Unified Model for Human-AI Alignment in Chess [10.577896749797485]
チェスにおける人間-AIアライメントのための統一モデリング手法を提案する。プレイヤーの強みをエンコードしたチェス位置と動的に統合する,スキルアウェアアテンション機構を導入する。我々の結果は、人間の意思決定とAIによる指導ツールに関する深い洞察を得るための道を開いた。
論文参考訳（メタデータ） (2024-09-30T17:54:23Z)
Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
論文参考訳（メタデータ） (2024-06-12T08:06:31Z)
Toward Human-AI Alignment in Large-Scale Multi-Player Games [24.784173202415687]
我々はXboxのBleeding Edge(100K+ゲーム)から広範囲にわたる人間のゲームプレイデータを解析する。人間のプレイヤーは、戦闘飛行や探索飛行行動において多様性を示す一方で、AIプレイヤーは均一性に向かう傾向にある。これらの大きな違いは、ヒューマンアラインアプリケーションにおけるAIの解釈可能な評価、設計、統合の必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2024-02-05T22:55:33Z)
C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for Physics-based Characters [49.83342243500835]
C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。 C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
論文参考訳（メタデータ） (2023-09-20T14:34:45Z)
Diversity-based Deep Reinforcement Learning Towards Multidimensional Difficulty for Fighting Game AI [0.9645196221785693]
多様性に基づく深層強化学習手法を導入し,類似した難易度を持つエージェント群を創出する。このアプローチは,多様性と性能の両面で,専門的かつ人為的な報酬関数で訓練されたベースラインを上回っている。
論文参考訳（メタデータ） (2022-11-04T21:49:52Z)
Detecting Individual Decision-Making Style: Exploring Behavioral Stylometry in Chess [4.793072503820555]
チェスの文脈における行動スタイメトリーに対するトランスフォーマーに基づくアプローチを提案する。本手法は,数発の分類フレームワークで動作し,数千人の候補選手の中から選手を正確に識別することができる。我々は、チェスにおける人間のスタイルと潜在的な倫理的意味について、結果の埋め込みが明らかにするものをより広く検討する。
論文参考訳（メタデータ） (2022-08-02T11:18:16Z)
Pick Your Battles: Interaction Graphs as Population-Level Objectives for Strategic Diversity [49.68758494467258]
我々は、集団内の個人がどのように相互作用するかを慎重に構造化することで、多様なエージェントの集団を構築する方法について研究する。我々のアプローチは,エージェント間の情報の流れを制御するインタラクショングラフに基づいている。マルチエージェント・トレーニングにおける多様性の重要性を証明し,様々な相互作用グラフを適用したゲームにおけるトレーニング・トラジェクトリ,多様性,パフォーマンスに与える影響を解析する。
論文参考訳（メタデータ） (2021-10-08T11:29:52Z)
Policy Fusion for Adaptive and Customizable Reinforcement Learning Agents [137.86426963572214]
異なる行動政策を結合して有意義な「融合」政策を得る方法を示す。事前学習されたポリシーを組み合わせるための4つの異なるポリシー融合手法を提案する。これらの手法がゲーム制作や設計に実際どのように役立つのか,実例とユースケースをいくつか紹介する。
論文参考訳（メタデータ） (2021-04-21T16:08:44Z)
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)
Learning Models of Individual Behavior in Chess [4.793072503820555]
チェスにおける個人行動の高精度な予測モデルを構築した。私たちの研究は、AIシステムを個人の行動とよりよく一致させる方法を示しています。
論文参考訳（メタデータ） (2020-08-23T18:24:21Z)
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)

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。