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
- 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) - SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。
実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。
我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
論文 参考訳(メタデータ) (2023-05-24T18:14:35Z) - 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) - Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。
基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
論文 参考訳(メタデータ) (2023-01-13T19:58:27Z) - I2MVFormer: Large Language Model Generated Multi-View Document
Supervision for Zero-Shot Image Classification [108.83932812826521]
Webスケールのテキストでトレーニングされた大規模言語モデル(LLM)は、学習した知識をさまざまなタスクに再利用する素晴らしい能力を示している。
提案するモデルであるI2MVFormerは,これらのクラスビューを用いたゼロショット画像分類のためのマルチビューセマンティック埋め込みを学習する。
I2MVFormerは、教師なしセマンティック埋め込みを備えたゼロショット画像分類のための3つの公開ベンチマークデータセットに対して、最先端の新たなデータセットを確立する。
論文 参考訳(メタデータ) (2022-12-05T14:11:36Z) - 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) - Entity Embedding as Game Representation [0.9645196221785693]
エンゲージ埋め込み」と呼ばれるものを導出するためのオートエンコーダを提案する。
本稿では,学習した表現と,その品質と将来性に関するいくつかの証拠を紹介する。
論文 参考訳(メタデータ) (2020-10-04T21:16:45Z)
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。