論文の概要: Deep Surrogate Assisted MAP-Elites for Automated Hearthstone Deckbuilding

• arxiv url: http://arxiv.org/abs/2112.03534v4
• Date: Sat, 16 Apr 2022 04:37:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-05 07:59:13.605502
• Title: Deep Surrogate Assisted MAP-Elites for Automated Hearthstone Deckbuilding
• Title（参考訳）: 深部サーロゲートを用いたハートストーン自動造成用マップイーライト
• Authors: Yulun Zhang, Matthew C. Fontaine, Amy K. Hoover and Stefanos Nikolaidis
• Abstract要約: ゲームにおける高品質で多様なコンテンツを効率よく生成する問題について検討する。 Hearthstoneにおける自動デッキ構築に関する以前の研究は、MAP-Elitesがハイパフォーマンスデッキのコレクションを生成することができることを示している。 提案手法は,オンライン上で訓練された深い代理モデルを用いてMAP-Elitesを支援することで,候補デッキに対するゲーム結果の予測を行う。
• 参考スコア（独自算出の注目度）: 25.925938639385887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of efficiently generating high-quality and diverse content in games. Previous work on automated deckbuilding in Hearthstone shows that the quality diversity algorithm MAP-Elites can generate a collection of high-performing decks with diverse strategic gameplay. However, MAP-Elites requires a large number of expensive evaluations to discover a diverse collection of decks. We propose assisting MAP-Elites with a deep surrogate model trained online to predict game outcomes with respect to candidate decks. MAP-Elites discovers a diverse dataset to improve the surrogate model accuracy, while the surrogate model helps guide MAP-Elites towards promising new content. In a Hearthstone deckbuilding case study, we show that our approach improves the sample efficiency of MAP-Elites and outperforms a model trained offline with random decks, as well as a linear surrogate model baseline, setting a new state-of-the-art for quality diversity approaches in automated Hearthstone deckbuilding. We include the source code for all the experiments at: https://github.com/icaros-usc/EvoStone2.
• Abstract（参考訳）: ゲームにおける高品質で多様なコンテンツを効率よく生成する問題について検討する。 Hearthstoneにおける自動デッキ構築に関する以前の研究によると、MAP-Elitesは多様な戦略ゲームプレイを備えた高性能デッキのコレクションを生成することができる。 しかしMAP-Elitesは、様々なデッキのコレクションを見つけるために、多くの高価な評価を必要とする。 提案手法は,オンライン上で訓練された深い代理モデルを用いてMAP-Elitesを支援することで,候補デッキに対するゲーム結果を予測する。 MAP-Elitesはサロゲートモデルの精度を改善するために多様なデータセットを発見し、サロゲートモデルはMAP-Elitesを新しいコンテンツへと導くのに役立つ。 Hearthstoneのデッキビルディングケーススタディにおいて、我々の手法はMAP-Elitesのサンプル効率を改善し、ランダムデッキでオフラインで訓練されたモデルと線形サロゲートモデルベースラインを上回り、自動Hearthstoneデッキビルディングにおける品質多様性の新たなアプローチを実現する。 実験のソースコードはhttps://github.com/icaros-usc/evostone2。

関連論文リスト

• MapSAM: Adapting Segment Anything Model for Automated Feature Detection in Historical Maps [6.414068793245697]
  我々は,パラメータ効率のよい微調整戦略であるMapSAMを紹介した。 具体的には、画像エンコーダにドメイン固有の知識を統合するために、Weight-Decomposed Low-Rank Adaptation (DoRA) を用いる。 手動入力を必要としない自動プロンプト生成プロセスを開発した。
  論文  参考訳（メタデータ） (2024-11-11T13:18:45Z)
• DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles [0.0]
  高解像度空中画像からHDマップを作成するための半自動手法を提案する。 提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。 マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
  論文  参考訳（メタデータ） (2024-10-01T15:05:05Z)
• Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。 また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• Synergizing Quality-Diversity with Descriptor-Conditioned Reinforcement Learning [4.851070356054758]
  品質多様性アルゴリズム(Quality-Diversity algorithm)は、多種多様な高適合性ソリューションを生成するために設計された進化的手法である。 遺伝的アルゴリズムとして、MAP-エリートはランダムな突然変異に依存しており、高次元の探索空間では非効率になる可能性がある。 本稿では,記述子条件付きアクタを生成モデルとして利用するDCG-MAP-Elitesの拡張であるDCRL-MAP-Elitesを紹介する。
  論文  参考訳（メタデータ） (2023-12-10T19:53:15Z)
• SESS: Saliency Enhancing with Scaling and Sliding [42.188013259368766]
  説明可能なAIや弱い教師付きオブジェクト検出とセグメンテーションを含む、いくつかの機械学習応用領域において、高品質な唾液マップが不可欠である。 SESS (Saliency Enhancing with Scaling and Sliding) と呼ばれる新しいサリエンシ向上手法を提案する。 これは既存のサリエンシマップ生成方法へのメソッドおよびモデル拡張である。
  論文  参考訳（メタデータ） (2022-07-05T02:16:23Z)
• Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
  本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。 いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
  論文  参考訳（メタデータ） (2021-09-14T12:53:35Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
  最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。 未経験データからの学習に基づく深度マップの強化について考察する。
  論文  参考訳（メタデータ） (2021-05-25T16:19:16Z)
• MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
  MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。 提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T00:09:30Z)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)

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。