Fugu-MT 論文翻訳(概要): Tile Embedding: A General Representation for Procedural Level Generation via Machine Learning

論文の概要: Tile Embedding: A General Representation for Procedural Level Generation via Machine Learning

arxiv url: http://arxiv.org/abs/2110.03181v1
Date: Thu, 7 Oct 2021 04:48:48 GMT
ステータス: 処理完了
システム内更新日: 2021-10-08 16:01:11.916516
Title: Tile Embedding: A General Representation for Procedural Level Generation via Machine Learning
Title（参考訳）: tile embedded: 機械学習による手続きレベル生成のための汎用表現
Authors: Mrunal Jadhav and Matthew Guzdial
Abstract要約: タイルをベースとした2Dゲームのための,統一的で手頃な表現であるタイル埋め込みを提案する。我々は、既存の人間の注釈付きゲームからタイルの視覚的および意味的な情報に基づいて訓練されたオートエンコーダを採用する。我々は、この表現を、目に見えないタイルの余裕を予測し、注釈付きゲームや注釈なしゲームのためのPLGML表現として機能する能力に基づいて評価する。
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: In recent years, Procedural Level Generation via Machine Learning (PLGML) techniques have been applied to generate game levels with machine learning. These approaches rely on human-annotated representations of game levels. Creating annotated datasets for games requires domain knowledge and is time-consuming. Hence, though a large number of video games exist, annotated datasets are curated only for a small handful. Thus current PLGML techniques have been explored in limited domains, with Super Mario Bros. as the most common example. To address this problem, we present tile embeddings, a unified, affordance-rich representation for tile-based 2D games. To learn this embedding, we employ autoencoders trained on the visual and semantic information of tiles from a set of existing, human-annotated games. We evaluate this representation on its ability to predict affordances for unseen tiles, and to serve as a PLGML representation for annotated and unannotated games.
Abstract（参考訳）: 近年,機械学習(plgml)によるプロシーデュラルレベル生成が,機械学習によるゲームレベル生成に応用されている。これらのアプローチは人間によるゲームレベルの表現に依存している。ゲーム用のアノテーション付きデータセットを作成するにはドメイン知識が必要で、時間を要する。したがって、多くのビデオゲームが存在するが、注釈付きデータセットはごく少数の場合にのみキュレートされる。したがって、現在のplgml技術は限定的な領域で研究されており、スーパーマリオブラザースが最も一般的な例である。この問題に対処するため,我々は,タイルベースの2dゲームのための統一された安価な表現であるtile embeddedsを提案する。この埋め込みを学ぶために、既存の人間の注釈付きゲームからタイルの視覚情報と意味情報を訓練したオートエンコーダを採用しています。我々は、この表現を、目に見えないタイルの余裕を予測し、アノテーションや注釈のないゲームのためのPLGML表現として機能する能力に基づいて評価する。

関連論文リスト

Grammar-based Game Description Generation using Large Language Models [12.329521804287259]
ゲームデザイン空間を効果的に構成するゲーム記述の文法を推論プロセスに導入する。ゲーム記述の生成において,本手法が有効であることを示す。
論文参考訳（メタデータ） (2024-07-24T16:36:02Z)
Rethinking Visual Prompting for Multimodal Large Language Models with External Knowledge [76.45868419402265]
マルチモーダルな大言語モデル(MLLM)は、膨大な高品質の画像テキストデータセットをトレーニングすることで、大きな進歩を遂げている。しかし、マスクのような細粒度や空間的に密集した情報をテキストで明示的に伝達することの難しさは、MLLMにとって困難である。本稿では、特殊な視覚モデルから派生した細粒度の外部知識をMLLMに統合する新しい視覚的プロンプト手法を提案する。
論文参考訳（メタデータ） (2024-07-05T17:43:30Z)
ClawMachine: Fetching Visual Tokens as An Entity for Referring and Grounding [67.63933036920012]
プロキシエンコーディングやジオメトリエンコーディングを含む既存のメソッドには、オブジェクトの位置をエンコードするための追加構文が含まれている。この研究はClawMachineを紹介し、視覚トークンを直接使用してエンティティに通知する新しい方法論を提供する。 ClawMachineはビジュアル参照とグラウンドを自動回帰形式に統合し、デコーダのみのアーキテクチャで学習する。
論文参考訳（メタデータ） (2024-06-17T08:39:16Z)
Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。我々は、複雑なシナリオに対するモデル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。私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
論文参考訳（メタデータ） (2024-03-30T08:02:16Z)
Learning to Prompt with Text Only Supervision for Vision-Language Models [107.282881515667]
メソッドの1つのブランチは、視覚情報を使用してプロンプトを学習することでCLIPに適応する。別のアプローチでは、大規模な言語モデルからクラス記述を生成することで、トレーニング不要の手法を利用する。そこで本研究では,テキストデータのみを用いてプロンプトを学習することで,両ストリームの強みを組み合わせることを提案する。
論文参考訳（メタデータ） (2024-01-04T18:59:49Z)
Game Level Blending using a Learned Level Representation [3.3946853660795884]
本稿では,クラスタリングに基づくタイル埋め込み(CTE)を利用したゲームレベルのブレンディング手法を提案する。 CTEは、ゲームレベルのタイルを連続ベクトル表現として表現し、視覚的、文脈的、行動的な情報を統一する。我々はこのアプローチを2つのクラシックゲーム、Lode RunnerとThe Legend of Zeldaに適用する。
論文参考訳（メタデータ） (2023-06-29T03:55:09Z)
Joint Level Generation and Translation Using Gameplay Videos [0.9645196221785693]
機械学習による手続き的コンテンツ生成(PCGML)は、画像やテキスト生成など他の分野と切り離す重要なハードルに直面している。機械学習による手続き的レベルの生成には、レベル画像以外の二次的な表現が必要である。我々は,同時翻訳と生成を同時に行うことを学ぶ,新しいマルチテールフレームワークを開発した。
論文参考訳（メタデータ） (2023-06-29T03:46:44Z)
Harnessing Explanations: LLM-to-LM Interpreter for Enhanced Text-Attributed Graph Representation Learning [51.90524745663737]
重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。提案手法は、確立されたTAGデータセットの最先端結果を実現する。本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
論文参考訳（メタデータ） (2023-05-31T03:18:03Z)
Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文参考訳（メタデータ） (2023-03-23T17:43:17Z)
Learning Task-Independent Game State Representations from Unlabeled Images [2.570570340104555]
自己教師付き学習(SSL)技術は、複雑なデータからコンパクトで情報的な表現を学ぶために広く用いられている。本稿では,ゲームの状態表現を正確に学習するタスクにSSLメソッドを活用できるかどうかを検討する。
論文参考訳（メタデータ） (2022-06-13T21:37:58Z)
Level generation and style enhancement -- deep learning for game development overview [0.0]
統計的手法,機械学習,あるいはディープラーニングを用いて,レベルマップを作成するための7つのアプローチを提案する。我々はゲーム開発者とレベルアーティストに新たな可能性を示すことを目指している。
論文参考訳（メタデータ） (2021-07-15T15:24:43Z)

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。