論文の概要: Generating Game Levels of Diverse Behaviour Engagement

• arxiv url: http://arxiv.org/abs/2207.02100v1
• Date: Tue, 5 Jul 2022 15:08:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 15:04:26.630422
• Title: Generating Game Levels of Diverse Behaviour Engagement
• Title（参考訳）: 各種行動エンゲージメントのゲームレベルの生成
• Authors: Keyuan Zhang, Jiayu Bai, Jialin Liu
• Abstract要約: emphSuper Mario Bros.の実験では、異なるペルソナを持つエージェントが同じ評価基準を使用すると、特定のペルソナのレベルが生成されることが示されている。 単純なゲームでは、特定のプレイヤーアーチタイプのゲームプレイングエージェントをレベルテスタとして使用することが、おそらく、さまざまな振る舞いのエンゲージメントを発生させるために必要なすべてであることを意味します。
• 参考スコア（独自算出の注目度）: 2.5739833468005595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years, there has been growing interests in experience-driven procedural level generation. Various metrics have been formulated to model player experience and help generate personalised levels. In this work, we question whether experience metrics can adapt to agents with different personas. We start by reviewing existing metrics for evaluating game levels. Then, focusing on platformer games, we design a framework integrating various agents and evaluation metrics. Experimental studies on \emph{Super Mario Bros.} indicate that using the same evaluation metrics but agents with different personas can generate levels for particular persona. It implies that, for simple games, using a game-playing agent of specific player archetype as a level tester is probably all we need to generate levels of diverse behaviour engagement.
• Abstract（参考訳）: 近年、経験駆動型手続きレベルの生成への関心が高まっている。 様々なメトリクスが、プレイヤーの経験をモデル化し、パーソナライズされたレベルを生成するのに役立っている。 この作業では、経験指標が異なるペルソナを持つエージェントに適応できるかを疑問視する。 ゲームレベルを評価するために既存のメトリクスをレビューすることから始めます。 そして,プラットフォームゲームに着目し,様々なエージェントと評価指標を統合したフレームワークを設計する。 \emph{Super Mario Bros に関する実験的検討 評価基準は同じだが、異なるペルソナを持つエージェントは特定のペルソナのレベルを生成することができる。 単純なゲームでは、特定のプレイヤーアーチタイプのゲームプレイングエージェントをレベルテスタとして使用することが、おそらく、さまざまな振る舞いのエンゲージメントを生成するために必要なすべてであることを意味します。

関連論文リスト

• AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
  大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。 我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。 我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-06T15:15:41Z)
• Character-LLM: A Trainable Agent for Role-Playing [67.35139167985008]
  大規模言語モデル(LLM)は、人間の振る舞いをシミュレートするエージェントとして用いられる。 本稿では, ベートーヴェン, クレオパトラ女王, ユリウス・カエサルなど, LLM に特定の人物として行動するように教えるキャラクタ-LLMを紹介する。
  論文  参考訳（メタデータ） (2023-10-16T07:58:56Z)
• GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
  大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。 GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。 我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
  論文  参考訳（メタデータ） (2023-08-19T14:33:40Z)
• Estimating player completion rate in mobile puzzle games using reinforcement learning [0.0]
  我々はRLエージェントを訓練し、レベルを達成するために必要な移動数を測定する。 すると、これは実際のプレイヤーの大量のサンプルのレベル完了率と比較される。 プレイヤー完了率の最も高い予測器は、与えられたレベルにおけるエージェントの5%のベストランのレベルを達成するために取られた動きの数である。
  論文  参考訳（メタデータ） (2023-06-26T12:00:05Z)
• 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)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• Towards Objective Metrics for Procedurally Generated Video Game Levels [2.320417845168326]
  シミュレーションに基づく評価指標を2つ導入し, 生成レベルの多様性と難易度を測定した。 我々の多様性指標は、現在の方法よりも、レベルサイズや表現の変化に対して堅牢であることを示す。 難易度基準は、テスト済みのドメインの1つで既存の難易度推定と相関するが、他のドメインではいくつかの課題に直面している。
  論文  参考訳（メタデータ） (2022-01-25T14:13:50Z)
• Adapting Procedural Content Generation to Player Personas Through Evolution [0.0]
  本稿では,ペルソナエージェントと経験指標を用いて,特定のプレイヤーペルソナに適したプロシージャ生成レベルの進化を可能にするアーキテクチャを提案する。 ゲームである"Grave Rave"を用いて、このアプローチが3つの異なるエクスペリエンス指標よりも4つのルールベースのペルソナエージェントに適応できることを実証した。
  論文  参考訳（メタデータ） (2021-12-07T16:26:33Z)
• Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network [11.055580854275474]
  設計者は,我々のシステムにゲームプレイ対策を規定し,様々なレベルのメカニックで高品質な(プレイ可能な)レベルを抽出する方法を示す。 オンラインユーザスタディでは、自動生成されるレベルの異なるメカニズムが、認識される困難さと外観の主観的評価にどのように影響するかが示されている。
  論文  参考訳（メタデータ） (2020-07-11T03:38:06Z)
• 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)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

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。