論文の概要: Improving Deep Localized Level Analysis: How Game Logs Can Help

• arxiv url: http://arxiv.org/abs/2212.03376v1
• Date: Wed, 7 Dec 2022 00:05:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 15:29:56.322543
• Title: Improving Deep Localized Level Analysis: How Game Logs Can Help
• Title（参考訳）: 深い局所化レベル分析の改善: ゲームログがいかに役立つか
• Authors: Natalie Bombardieri, Matthew Guzdial
• Abstract要約: プレイヤー体験を予測するために,深層畳み込みニューラルネットワーク(CNN)を用いて予測に影響を及ぼす新しい改良を提案する。 我々はスーパーマリオブラザーズ(Infinite Mario Bros.)とスーパーマリオブラザーズ(Super Mario Bros.: The Lost Levels (Gwario))に基づいて、我々のアプローチをテストする。
• 参考スコア（独自算出の注目度）: 0.9645196221785693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Player modelling is the field of study associated with understanding players. One pursuit in this field is affect prediction: the ability to predict how a game will make a player feel. We present novel improvements to affect prediction by using a deep convolutional neural network (CNN) to predict player experience trained on game event logs in tandem with localized level structure information. We test our approach on levels based on Super Mario Bros. (Infinite Mario Bros.) and Super Mario Bros.: The Lost Levels (Gwario), as well as original Super Mario Bros. levels. We outperform prior work, and demonstrate the utility of training on player logs, even when lacking them at test time for cross-domain player modelling.
• Abstract（参考訳）: プレイヤーモデリングは、プレイヤーの理解に関連する研究分野である。 この分野での追求の1つは、ゲームがどのようにプレイヤーに感じるかを予測する能力に影響を及ぼすことである。 本稿では,ゲームイベントログ上で学習したプレイヤー体験を局所化された階層構造情報と組み合わせて予測する深層畳み込みニューラルネットワーク(cnn)を用いて,予測に影響を与える新たな改善を提案する。 スーパーマリオブラザース(infinite mario bros.)とスーパーマリオブラザーズ:ザ・ロスト・レベル(gwario: the lost levels)とオリジナルのスーパーマリオブラザース(super mario bros.)に基づいて、我々のアプローチをテストします。 クロスドメインプレーヤモデリングの試験時間に欠如している場合でも,事前作業よりも優れており,プレイヤログのトレーニングの有用性が実証されている。

関連論文リスト

• CNN-based Game State Detection for a Foosball Table [1.612440288407791]
  フォスボールのゲームでは、コンパクトで包括的なゲーム状態の記述は、フィギュアの位置シフトと回転と、時間とともにボールの位置で構成される。 本稿では,フォスボールのゲーム状態を決定するフィギュア検出システムについて述べる。 このデータセットを使用して、畳み込みニューラルネットワーク(CNN)ベースのエンドツーエンド回帰モデルをトレーニングし、各ロッドの回転とシフトを予測する。
  論文  参考訳（メタデータ） (2024-04-08T09:48:02Z)
• Optimizing Mario Adventures in a Constrained Environment [0.0]
  我々は遺伝的アルゴリズム(MarioGA)とニューロエボリューション(MarioNE)技術を用いてスーパーマリオブラザーズをプレイすることを学ぶ。 我々は、SMBエージェントを定式化し、回収されたコインの合計値(逆)を最大化し、移動した全距離(逆)を最大化する。 我々は、フィットネスプロットをプロットし、世界1の異なるレベルを仕上げる能力と、訓練されたモデルのドメイン適応(トランスファーラーニング)を5倍の精度で比較分析する。
  論文  参考訳（メタデータ） (2023-12-14T08:45:26Z)
• 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)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Personalized Game Difficulty Prediction Using Factorization Machines [0.9558392439655011]
  コンテンツレコメンデーションからの手法を借りて,ゲームレベルのパーソナライズした難易度推定に寄与する。 我々は、プレイヤーが将来のゲームレベルを通過させるのに必要な試行回数と、他のプレイヤーがプレイする以前のレベルの試行回数に基づいて、難易度を予測することができる。 この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学ぶことができる,有望なツールであることが示唆された。
  論文  参考訳（メタデータ） (2022-09-06T08:03:46Z)
• An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
  本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。 提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
  論文  参考訳（メタデータ） (2021-01-31T10:30:48Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• 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)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• 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。