論文の概要: Procedural Content Generation via Knowledge Transformation (PCG-KT)
- arxiv url: http://arxiv.org/abs/2305.00644v1
- Date: Mon, 1 May 2023 03:31:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 14:11:43.995256
- Title: Procedural Content Generation via Knowledge Transformation (PCG-KT)
- Title（参考訳）: 知識変換による手続き的コンテンツ生成(PCG-KT)
- Authors: Anurag Sarkar, Matthew Guzdial, Sam Snodgrass, Adam Summerville, Tiago
Machado and Gillian Smith
- Abstract要約: 知識変換(PCG-KT)による手続き的コンテンツ生成の概念を導入する。
本研究の動機は,先進的な知識を再調達することで,新たなコンテンツを生み出すことに焦点を当てた最近のPCG作品が多数あることにある。
- 参考スコア（独自算出の注目度）: 8.134009219520289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the concept of Procedural Content Generation via Knowledge
Transformation (PCG-KT), a new lens and framework for characterizing PCG
methods and approaches in which content generation is enabled by the process of
knowledge transformation -- transforming knowledge derived from one domain in
order to apply it in another. Our work is motivated by a substantial number of
recent PCG works that focus on generating novel content via repurposing derived
knowledge. Such works have involved, for example, performing transfer learning
on models trained on one game's content to adapt to another game's content, as
well as recombining different generative distributions to blend the content of
two or more games. Such approaches arose in part due to limitations in PCG via
Machine Learning (PCGML) such as producing generative models for games lacking
training data and generating content for entirely new games. In this paper, we
categorize such approaches under this new lens of PCG-KT by offering a
definition and framework for describing such methods and surveying existing
works using this framework. Finally, we conclude by highlighting open problems
and directions for future research in this area.
- Abstract（参考訳）: 知識変換による手続き的コンテンツ生成(PCG-KT)の概念は、知識変換のプロセスによってコンテンツ生成が可能となるPCGメソッドとアプローチを特徴付けるための新しいレンズとフレームワークであり、それを別の領域に適用するために、あるドメインから派生した知識を変換する。
本研究の動機は,先進的な知識を再調達することで,新たなコンテンツを生み出すことに焦点を当てた最近のPCG作品が多数あることにある。
例えば、あるゲームの内容に適応するためにトレーニングされたモデルで転送学習を実行し、他のゲームのコンテンツに合わせて異なる生成分布を再結合して2つ以上のゲームのコンテンツをブレンドするなどである。
このようなアプローチは、トレーニングデータに欠けるゲームの生成モデルの作成や、全く新しいゲームのコンテンツの生成など、PCGの機械学習(PCGML)による制限によってもたらされた。
本稿では,PCG-KTの新たなレンズの下で,そのような手法を記述するための定義とフレームワークと,このフレームワークを用いた既存の研究を調査する。
最後に,この領域における今後の研究の課題と方向性を明らかにする。
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) - MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.68829963458408]
異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。
MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。
MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
論文 参考訳（メタデータ） (2024-04-20T08:34:39Z) - A Unified and General Framework for Continual Learning [58.72671755989431]
継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。
正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。
本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
論文 参考訳（メタデータ） (2024-03-20T02:21:44Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - PCGPT: Procedural Content Generation via Transformers [1.515687944002438]
オフライン強化学習とトランスフォーマーネットワークを用いたプロシージャコンテンツ生成(PCG)の革新的アプローチであるPCGPTフレームワークを提案する。
PCGPTはトランスフォーマーに基づく自己回帰モデルを用いてゲームレベルを反復的に生成し、繰り返し、予測可能、一貫性のないコンテンツといった従来のPCG手法の課題に対処する。
論文 参考訳（メタデータ） (2023-10-03T19:58:02Z) - Tree-Based Reconstructive Partitioning: A Novel Low-Data Level
Generation Approach [5.626364462708322]
PCG(Procedural Content Generation)とPCGML(Machine Learning)が発売されている。
Tree-based Reconstructive Partitioning (TRP)は、この問題に対処するための新しいPCGMLアプローチである。
論文 参考訳（メタデータ） (2023-09-18T20:39:14Z) - TegTok: Augmenting Text Generation via Task-specific and Open-world
Knowledge [83.55215993730326]
本稿では,タスク固有およびオープンワールド知識(TegTok)によるTExt生成の統一化を提案する。
本モデルでは,2種類の知識ソースからの知識エントリを高密度検索により選択し,それぞれ入力エンコーディングと出力デコーディングの段階に注入する。
論文 参考訳（メタデータ） (2022-03-16T10:37:59Z) - Exploring Level Blending across Platformers via Paths and Affordances [5.019592823495709]
複数のドメインにまたがる新しいゲームコンテンツを作成するための新しいPCGMLアプローチを提案する。
6つの異なるプラットフォームゲームからデータをエンコードし、このデータに基づいて変分オートエンコーダを訓練するために、新しい価格とパス語彙を使用します。
論文 参考訳（メタデータ） (2020-08-22T16:43:25Z) - Capturing Local and Global Patterns in Procedural Content Generation via
Machine Learning [9.697217570243845]
機械学習(PCGML)法による最近の手続き的コンテンツ生成により、学習者は既存のコンテンツから類似したコンテンツを生成することができる。
これらのアプローチが対称性のような大規模な視覚パターンをどの程度うまく捉えることができるかは、オープンな疑問である。
本稿では,PCGMLアルゴリズムが適切なパターンを生成する能力について,その領域として3つのゲームにマッチする手法を提案する。
論文 参考訳（メタデータ） (2020-05-26T08:58:37Z) - FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。
エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。
実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2019-12-29T15:26:28Z) - Exploring the Limits of Transfer Learning with a Unified Text-to-Text
Transformer [64.22926988297685]
下流タスクで微調整される前に、まずデータリッチタスクでモデルが事前訓練されるトランスファーラーニングは、自然言語処理(NLP)において強力な手法として登場した。
本稿では,すべてのテキストベースの言語問題をテキスト・トゥ・テキスト・フォーマットに変換する統一フレームワークにより,NLPのためのトランスファー学習手法を導入する状況について検討する。
論文 参考訳（メタデータ） (2019-10-23T17:37:36Z)
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。