論文の概要: Training an Assassin AI for The Resistance: Avalon

• arxiv url: http://arxiv.org/abs/2209.09331v1
• Date: Mon, 19 Sep 2022 20:19:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 17:43:34.315838
• Title: Training an Assassin AI for The Resistance: Avalon
• Title（参考訳）: アサシンaiをレジスタンスのために訓練する:アバロン
• Authors: Robert Chuchro
• Abstract要約: 抵抗性:アバロン(The resistance: Avalon)は、部分的に観察可能な社会的推論ゲームである。 このゲームにAIを実装するには、各フェーズに特有の複数のコンポーネントと、ゲームにおける役割が含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Resistance: Avalon is a partially observable social deduction game. This area of AI game playing is fairly undeveloped. Implementing an AI for this game involves multiple components specific to each phase as well as role in the game. In this paper, we plan to iteratively develop the required components for each role/phase by first addressing the Assassination phase which can be modeled as a machine learning problem. Using a publicly available dataset from an online version of the game, we train classifiers that emulate an Assassin. After trying various classification techniques, we are able to achieve above average human performance using a simple linear support vector classifier. The eventual goal of this project is to pursue developing an intelligent and complete Avalon player that can play through each phase of the game as any role.
• Abstract（参考訳）: the resistance: avalonは、部分的に観察可能な社会的推論ゲームである。 このAIゲームプレイの領域はかなり未発達だ。 このゲームにAIを実装するには、各フェーズに特有の複数のコンポーネントと、ゲームにおける役割が含まれる。 本稿では,まず,機械学習問題としてモデル化可能な暗殺段階に対処することにより,各ロール/フェーズに必要なコンポーネントを反復的に開発する。 オンライン版のゲームの公開データセットを使用して、アサシンをエミュレートする分類器をトレーニングします。 様々な分類手法を試した結果,単純な線形支持ベクトル分類器を用いて平均的な人間性能を達成できた。 このプロジェクトの最終的な目標は、任意の役割としてゲームの各フェーズでプレイできるインテリジェントで完全なアバロンプレーヤーの開発を追求することである。

関連論文リスト

• Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
  戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。 従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。 その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:06:31Z)
• Toward Human-AI Alignment in Large-Scale Multi-Player Games [24.784173202415687]
  我々はXboxのBleeding Edge(100K+ゲーム)から広範囲にわたる人間のゲームプレイデータを解析する。 人間のプレイヤーは、戦闘飛行や探索飛行行動において多様性を示す一方で、AIプレイヤーは均一性に向かう傾向にある。 これらの大きな違いは、ヒューマンアラインアプリケーションにおけるAIの解釈可能な評価、設計、統合の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-02-05T22:55:33Z)
• AvalonBench: Evaluating LLMs Playing the Game of Avalon [27.08760047599767]
  本稿では,大規模言語モデル(LLM)エージェントが戦略的社会的推論ゲームであるResistence Avalonをプレイする可能性を探る。 Avalonは、LLM Agentsの意思決定と言語処理能力を研究するための魅力的なテストベッドである。 マルチエージェントLLMエージェントの評価に適した総合ゲーム環境であるAvalonBenchを紹介する。
  論文  参考訳（メタデータ） (2023-10-08T06:37:08Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Automated Play-Testing Through RL Based Human-Like Play-Styles Generation [0.0]
  強化学習は、ビデオゲームのテストを自動化する必要性に対する有望な答えである。 CARMI: aを提示します。 入力として相対測度を持つエージェント。 以前は目に見えないレベルであっても、プレイヤーのプレースタイルをエミュレートできるエージェント。
  論文  参考訳（メタデータ） (2022-11-29T14:17:20Z)
• Configurable Agent With Reward As Input: A Play-Style Continuum Generation [0.0]
  複数のプレイスタイルを定義するためのゲーム環境を提案する。 次に、幅広いプレイスタイルをシミュレートできる強化学習エージェントであるCARIを紹介する。
  論文  参考訳（メタデータ） (2022-11-29T13:59:25Z)
• 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)
• Pairing Character Classes in a Deathmatch Shooter Game via a Deep-Learning Surrogate Model [2.323282558557423]
  本稿では,ゲームレベル構造とゲームのキャラクタークラスパラメータを入力として,ゲームプレイ結果を出力として組み合わせたモデルを構築する上で,ディープラーニングがいかに役立つかを考察する。 その後、モデルは特定のレベルと所望のゲーム結果(例えば短い期間のバランスの取れたマッチ)のクラスを生成するために使用される。
  論文  参考訳（メタデータ） (2021-03-29T09:34:24Z)
• Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
  本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。 この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
  論文  参考訳（メタデータ） (2021-01-06T21:14:10Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and Competition for AI [62.997667081978825]
  TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。 ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:56Z)

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。