論文の概要: Tools for Landscape Analysis of Optimisation Problems in Procedural
Content Generation for Games
- arxiv url: http://arxiv.org/abs/2302.08479v1
- Date: Thu, 16 Feb 2023 18:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 13:04:45.514489
- Title: Tools for Landscape Analysis of Optimisation Problems in Procedural
Content Generation for Games
- Title（参考訳）: ゲーム用手続きコンテンツ生成におけるランドスケープ解析ツールの最適化問題
- Authors: Vanessa Volz and Boris Naujoks and Pascal Kerschke and Tea Tusar
- Abstract要約: プロシージャコンテンツ生成(Procedural Content Generation、PCG)とは、アルゴリズムによるゲームコンテンツの自動生成である。
これらの手法の特殊クラスは検索ベースPCGと呼ばれ、与えられたタスクを最適化問題として扱う。
本稿では,定義した最適化問題に関するより多くの情報を得ることで,コンテンツ生成へのアプローチ方法の理解を大幅に改善できることを実証する。
- 参考スコア（独自算出の注目度）: 0.6882042556551609
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The term Procedural Content Generation (PCG) refers to the (semi-)automatic
generation of game content by algorithmic means, and its methods are becoming
increasingly popular in game-oriented research and industry. A special class of
these methods, which is commonly known as search-based PCG, treats the given
task as an optimisation problem. Such problems are predominantly tackled by
evolutionary algorithms.
We will demonstrate in this paper that obtaining more information about the
defined optimisation problem can substantially improve our understanding of how
to approach the generation of content. To do so, we present and discuss three
efficient analysis tools, namely diagonal walks, the estimation of high-level
properties, as well as problem similarity measures. We discuss the purpose of
each of the considered methods in the context of PCG and provide guidelines for
the interpretation of the results received. This way we aim to provide methods
for the comparison of PCG approaches and eventually, increase the quality and
practicality of generated content in industry.
- Abstract（参考訳）: 手続き的コンテンツ生成(Procedural Content Generation, PCG)とは、アルゴリズムによるゲームコンテンツの半自動生成を指し、ゲーム指向の研究・産業においてその手法がますます普及しつつある。
これらの手法の特殊クラスは検索ベースPCGと呼ばれ、与えられたタスクを最適化問題として扱う。
このような問題は進化的アルゴリズムによって主に取り組まれている。
本稿では,最適化問題に関するさらなる情報を得ることで,コンテンツ生成へのアプローチの理解を大幅に改善できることを実証する。
そこで本研究では, 対角歩行, 高レベル特性の推定, 問題類似度尺度という3つの効率的な分析ツールを提案する。
我々は,PCGの文脈における各手法の目的について議論し,受信した結果の解釈に関するガイドラインを提供する。
そこで本研究では,PCG のアプローチの比較手法を提供し,産業におけるコンテンツの品質と実用性を高めることを目的とする。
関連論文リスト
- Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration [1.03590082373586]
プロシージャコンテンツ生成(PCG)は、アルゴリズムを用いてゲームコンテンツの自動生成として定義される。
プレイヤーのエンゲージメントを高め、ゲームデザイナーの仕事を楽にする。
PCGにおけるディープラーニングアプローチの最近の進歩は、研究者や実践者がより洗練されたコンテンツを作成できるようにしている。
大規模言語モデル (LLMs) が登場し、PCGの進歩の軌跡を本当に破壊した。
論文 参考訳（メタデータ） (2024-10-21T05:10:13Z) - Optimizing Feature Selection with Genetic Algorithms: A Review of Methods and Applications [4.395397502990339]
遺伝的アルゴリズム (GA) は, 局所最適化を回避し, 選択プロセス自体を改善することで, 欠点に対する対策として提案されている。
本論文では,アプリケーションにおけるGAベースの特徴選択技術とその適用性について概観する。
論文 参考訳（メタデータ） (2024-09-05T22:28:42Z) - Large-scale Benchmarking of Metaphor-based Optimization Heuristics [5.081212121019668]
BBOB関数スイート上で294のアルゴリズム実装を実行する。
提案手法は, 予算の選択, 性能評価, 実験設計のその他の側面が, これらのアルゴリズムの比較にどう影響するかを考察する。
論文 参考訳（メタデータ） (2024-02-15T08:54:46Z) - A Thorough Examination of Decoding Methods in the Era of LLMs [72.65956436513241]
復号法は、次世代の予測器から実用的なタスク解決器に言語モデルを変換する上で、必須の役割を果たす。
本稿では,大規模言語モデルの文脈における様々な復号法を包括的かつ多面的に分析する。
その結果,復号法の性能は特にタスク依存的であり,アライメント,モデルサイズ,量子化などの要因に影響されていることが明らかとなった。
論文 参考訳（メタデータ） (2024-02-10T11:14:53Z) - Discovering General Reinforcement Learning Algorithms with Adversarial
Environment Design [54.39859618450935]
メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。
Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。
本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
論文 参考訳（メタデータ） (2023-10-04T12:52:56Z) - A new derivative-free optimization method: Gaussian Crunching Search [0.0]
我々はGaussian Crunching Search (GCS)と呼ばれる新しい最適化手法を提案する。
ガウス分布の粒子の挙動にインスパイアされたGCSは、解空間を効率的に探索し、大域的最適に向かって収束することを目的としている。
本研究は,最適化に関心のある研究者,実践者,学生にとって貴重な資料である。
論文 参考訳（メタデータ） (2023-07-24T16:17:53Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Geometric Methods for Sampling, Optimisation, Inference and Adaptive
Agents [102.42623636238399]
我々は,サンプリング,最適化,推論,適応的意思決定といった問題に根ざした基本的な幾何学的構造を同定する。
これらの問題を効率的に解くためにこれらの幾何学的構造を利用するアルゴリズムを導出する。
論文 参考訳（メタデータ） (2022-03-20T16:23:17Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳（メタデータ） (2020-09-07T16:47:30Z) - PACOH: Bayes-Optimal Meta-Learning with PAC-Guarantees [77.67258935234403]
PAC-Bayesianフレームワークを用いた理論的解析を行い、メタ学習のための新しい一般化境界を導出する。
我々は、性能保証と原則付きメタレベル正規化を備えたPAC最適メタ学習アルゴリズムのクラスを開発する。
論文 参考訳（メタデータ） (2020-02-13T15:01:38Z)
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。