論文の概要: Path of Destruction: Learning an Iterative Level Generator Using a Small Dataset

• arxiv url: http://arxiv.org/abs/2202.10184v1
• Date: Mon, 21 Feb 2022 12:51:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-22 16:26:09.552807
• Title: Path of Destruction: Learning an Iterative Level Generator Using a Small Dataset
• Title（参考訳）: 破壊の道:小さなデータセットを用いた反復レベルジェネレータの学習
• Authors: Matthew Siper, Ahmed Khalifa, Julian Togelius
• Abstract要約: 既存のレベルのデータセットから反復的なレベルの生成を学習する新しい手続き型コンテンツ生成手法を提案する。 The Path of Destruction method view level generation as repair; level are created by repeateratively repairing from a random starting state。 本手法は,複数の2Dゲームに対して,独特でプレイ可能なタイルベースのレベルを生成するために,本手法を適用して実証する。
• 参考スコア（独自算出の注目度）: 7.110423254122942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new procedural content generation method which learns iterative level generators from a dataset of existing levels. The Path of Destruction method, as we call it, views level generation as repair; levels are created by iteratively repairing from a random starting state. The first step is to generate an artificial dataset from the original set of levels by introducing many different sequences of mutations to existing levels. In the generated dataset, features are observations of destroyed levels and targets are the specific actions that repair the mutated tile in the middle of the observations. Using this dataset, a convolutional network is trained to map from observations to their respective appropriate repair actions. The trained network is then used to iteratively produce levels from random starting states. We demonstrate this method by applying it to generate unique and playable tile-based levels for several 2D games (Zelda, Danger Dave, and Sokoban) and vary key hyperparameters.
• Abstract（参考訳）: 既存のレベルのデータセットから反復的なレベルの生成を学習する新しい手続き型コンテンツ生成手法を提案する。 破壊の経路(Path of Destruction)と呼ばれる手法は、ランダムな開始状態から繰り返し修復することで、レベル生成を修復と見なす。 最初のステップは、既存のレベルに多くの異なる突然変異列を導入することで、元のレベルから人工データセットを生成することである。 生成されたデータセットでは、特徴は破壊されたレベルの観測であり、ターゲットは観測の途中で変異したタイルを修復する特定のアクションである。 このデータセットを使用して、畳み込みネットワークは、観測から適切な修復行動にマップするように訓練される。 トレーニングされたネットワークは、ランダムな開始状態からレベルを反復的に生成するために使用される。 本手法は,いくつかの2Dゲーム(ゼルダ,ダンガー・デイブ,ソコバン)に対して一意かつプレイ可能なタイルベースレベルを生成し,キーハイパーパラメータを変化させることによって実証する。

関連論文リスト

• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Personalized Federated Learning via Active Sampling [50.456464838807115]
  本稿では,類似した(あるいは関連する)データジェネレータを逐次同定する手法を提案する。 本手法は,局所的なデータセットを用いて勾配ステップの効果を評価することにより,データ生成の関連性を評価する。 データ生成器が提供する局所的データセットを用いて仮説を更新するために、勾配ステップの適切な一般化により、この手法を非パラメトリックモデルに拡張する。
  論文  参考訳（メタデータ） (2024-09-03T17:12:21Z)
• Generative Dataset Distillation: Balancing Global Structure and Local Details [49.20086587208214]
  グローバルな構造と局所的な詳細のバランスを考慮に入れた新しいデータセット蒸留法を提案する。 本手法では, 条件付き生成逆数ネットワークを用いて蒸留したデータセットを生成する。
  論文  参考訳（メタデータ） (2024-04-26T23:46:10Z)
• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• Controllable Path of Destruction [5.791285538179053]
  Path of Destruction (PoD) は反復ジェネレータを学習するための自己教師型手法である。 生成したアーティファクトの側面をデザイナが制御できるように,PoD法を拡張した。 制御可能なPoD法を2Dダンジョン設定および小型3Dレゴ車の領域でテストする。
  論文  参考訳（メタデータ） (2023-05-29T18:29:29Z)
• Density Map Distillation for Incremental Object Counting [37.982124268097]
  インクリメンタルなオブジェクトカウントに対するナイーブなアプローチは、破滅的な忘れ込みに悩まされ、以前のタスクに対する劇的なパフォーマンス低下に悩まされる。 密度マップ蒸留法 (DMD) と呼ばれる, 先例のない関数正規化手法を提案する。 トレーニング中,各タスクに新しいカウンタヘッドを導入し,従来のタスクを忘れないように蒸留損失を導入する。
  論文  参考訳（メタデータ） (2023-04-11T14:46:21Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Level Generation for Angry Birds with Sequential VAE and Latent Variable Evolution [25.262831218008202]
  我々は,Angry Birdsのゲームドメインに対して,深部生成モデルに基づくレベル生成を開発する。 実験により,提案したレベルジェネレータは生成レベルの安定性と多様性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2021-04-13T11:23:39Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• 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)

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。