論文の概要: Latent Combinational Game Design

• arxiv url: http://arxiv.org/abs/2206.14203v1
• Date: Tue, 28 Jun 2022 17:54:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-30 19:41:02.243558
• Title: Latent Combinational Game Design
• Title（参考訳）: ラテントコンビネーションゲーム設計
• Authors: Anurag Sarkar, Seth Cooper
• Abstract要約: 本稿では,あるゲームセットを所望の組合せでブレンドしたプレイ可能なゲームを生成するための,深層生成潜在変数モデルを提案する。 ゲームブレンディングは、新しいプレイ可能なゲームを生成するため、組み合わせクリエイティビティプロセスとゲームデザインであるためである。
• 参考スコア（独自算出の注目度）: 5.33024001730262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an approach for generating playable games that blend a given set of games in a desired combination using deep generative latent variable models. We refer to this approach as latent combinational game design -- latent since we use learned latent representations to perform blending, combinational since game blending is a combinational creativity process and game design since the approach generates novel, playable games. We use Gaussian Mixture Variational Autoencoders (GMVAEs), which use a mixture of Gaussians to model the VAE latent space. Through supervised training, each component learns to encode levels from one game and lets us define new, blended games as linear combinations of these learned components. This enables generating new games that blend the input games as well as control the relative proportions of each game in the blend. We also extend prior work using conditional VAEs to perform blending and compare against the GMVAE. Our results show that both models can generate playable blended games that blend the input games in the desired proportions.
• Abstract（参考訳）: 本稿では,あるゲームセットを所望の組合せでブレンドしたプレイ可能なゲームを生成するための,深層生成潜在変数モデルを提案する。 我々はこのアプローチを潜在的な組み合わせゲーム設計と呼んでいる -- 学習された潜在表現を使ってブレンドを行うため、ブレンディングは創造性とゲームデザインの組み合わせであり、新しいプレイ可能なゲームを生成するため、組み合わせはブレンディングを行う。 ガウス混合変分オートエンコーダ (gmvaes) はガウス混合体を用いてvae潜在空間をモデル化する。 教師付きトレーニングを通じて、各コンポーネントは1つのゲームからレベルをエンコードし、学習したコンポーネントの線形結合として新しいブレンドゲームを定義することができます。 これにより、入力ゲームをブレンドする新しいゲームを生成すると同時に、ブレンド中の各ゲームの相対比率を制御することができる。 また,条件付きVAEを用いた先行作業を拡張し,GMVAEと比較した。 以上の結果から,両モデルが所望の割合で混合可能な混合ゲームを生成することができることがわかった。

関連論文リスト

• Runtime analysis of a coevolutionary algorithm on impartial combinatorial games [1.104960878651584]
  進化的アルゴリズム(CoEA)は、現代人との相互作用に基づいて最強を反復的に選択し、次の世代で両親として選択した個体群を用いて、個体群を進化させる。 しかし,CoEAのゲームプレイへの応用はサイクリングなどの病理的行動のため,実行時のペイオフ状況において特に問題となる。 本稿では,解析の範囲を推し進め,公平なゲームのための最適な戦略を見出す。 この結果はどんな公平なゲームにも当てはまり、多くのゲームでは、インプリッド・バウンドは数の関数として、あるいは準ポリノミアルである。
  論文  参考訳（メタデータ） (2024-09-06T10:39:17Z)
• MM-Mixing: Multi-Modal Mixing Alignment for 3D Understanding [64.65145700121442]
  MM-Mixingは3次元理解のためのマルチモーダルミキシングアライメントフレームワークである。 提案する2段階学習パイプラインは,特徴レベルと入力レベルを混合して3Dエンコーダを最適化する。 MM-Mixingは,様々な学習シナリオにおけるベースライン性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-05-28T18:44:15Z)
• Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
  我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。 本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-10T12:56:24Z)
• Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
  本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。 我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。 我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-09-30T15:01:35Z)
• MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose Estimation in Video [75.23812405203778]
  近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。 本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。 さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
  論文  参考訳（メタデータ） (2022-03-02T04:20:59Z)
• Dungeon and Platformer Level Blending and Generation using Conditional VAEs [7.919213739992465]
  条件付きVAE(CVAE)は、最近、所望のコンテンツを指定するラベルを使用して変更可能な出力を生成する能力を示した。 CVAEを使用してプラットフォームレベルとダンジョンレベルを生成し、これらのジャンルをブレンドすることで、これらの作業を拡張する。
  論文  参考訳（メタデータ） (2021-06-17T05:46:03Z)
• Generating and Blending Game Levels via Quality-Diversity in the Latent Space of a Variational Autoencoder [7.919213739992465]
  ここでは,vaesアルゴリズムとqdアルゴリズムを組み合わせたレベル生成とゲームブレンド手法を提案する。 具体的には,ゲームレベルでVAEをトレーニングし,学習したVAEの潜在空間を探索空間としてMAP-Elites QDアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-02-24T18:44:23Z)
• Mixup-Transformer: Dynamic Data Augmentation for NLP Tasks [75.69896269357005]
  Mixupは、入力例と対応するラベルを線形に補間する最新のデータ拡張技術である。 本稿では,自然言語処理タスクにmixupを適用する方法について検討する。 我々は、様々なNLPタスクに対して、mixup-transformerと呼ばれる、トランスフォーマーベースの事前学習アーキテクチャにmixupを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-05T23:37:30Z)
• Game Level Clustering and Generation using Gaussian Mixture VAEs [6.217860411034386]
  変分オートエンコーダ(VAE)はゲームレベルを生成することができるが、所望の属性で出力を生成するためには学習した潜在空間を手動で探索する必要がある。 本稿では,非正則ガウス空間にガウス多様体(GM)の混合を課すVAEの変種を適用する。 これにより、GMのコンポーネントを使用して教師なしの方法でGMVAEがクラスタ化され、学習したコンポーネントを使用して新しいレベルが生成される。
  論文  参考訳（メタデータ） (2020-08-22T15:07:30Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)
• Controllable Level Blending between Games using Variational Autoencoders [6.217860411034386]
  スーパーマリオブラザーズとキッド・イカラスのレベルデータに基づいてVAEをトレーニングし、両方のゲームにまたがる潜伏空間を捕捉できるようにします。 次に、この空間を用いて、両方のゲームからレベルの特性を組み合わせたレベルセグメントを生成する。 これらの余裕は、特に共同創造的レベルの設計にVAEベースのアプローチを適していると我々は主張する。
  論文  参考訳（メタデータ） (2020-02-27T01:38:35Z)

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。