Fugu-MT 論文翻訳(概要): Why Oatmeal is Cheap: Kolmogorov Complexity and Procedural Generation

論文の概要: Why Oatmeal is Cheap: Kolmogorov Complexity and Procedural Generation

arxiv url: http://arxiv.org/abs/2305.02131v1
Date: Wed, 3 May 2023 13:58:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 14:34:53.199521
Title: Why Oatmeal is Cheap: Kolmogorov Complexity and Procedural Generation
Title（参考訳）: Oatmealがチープな理由:Kolmogorovの複雑さと手続き生成
Authors: Youn\`es Rabii and Michael Cook
Abstract要約: 我々は、生成元が生成できる最も複雑なアーティファクトのコロモゴロフ複雑性と、生成元の可能性空間のサイズとの間に関係があることを証明した。そこで我々は, 生成物に符号化された知識, 出力空間の密度, 生成する人工物の複雑さの制限関係を同定する。
参考スコア（独自算出の注目度）: 0.19036571490366497
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Although procedural generation is popular among game developers, academic research on the topic has primarily focused on new applications, with some research into empirical analysis. In this paper we relate theoretical work in information theory to the generation of content for games. We prove that there is a relationship between the Kolomogorov complexity of the most complex artifact a generator can produce, and the size of that generator's possibility space. In doing so, we identify the limiting relationship between the knowledge encoded in a generator, the density of its output space, and the intricacy of the artifacts it produces. We relate our result to the experience of expert procedural generator designers, and illustrate it with some examples.
Abstract（参考訳）: プロシージャ生成はゲーム開発者の間で人気があるが、このトピックに関する学術研究は主に新しい応用に焦点を当てており、経験分析の研究もある。本稿では,情報理論における理論的研究とゲームコンテンツの生成について述べる。生成元が生成できる最も複雑なアーティファクトのコロモゴロフ複雑性と、生成元の可能性空間のサイズとの間には関係があることを証明する。そこで我々は, 生成物に符号化された知識, 出力空間の密度, 生成する人工物の複雑さの制限関係を同定する。本結果は,プロシージャジェネレータの設計者の経験と関係し,いくつかの例で解説する。

関連論文リスト

Synthetic Interlocutors. Experiments with Generative AI to Prolong Ethnographic Encounters [0.0]
本稿では、エスノグラフィー研究のための「合成インターロケータ」を紹介する。 Retrieval Augmented Generation (RAG) を用いたエスノグラフィテキスト素材(インタービューと観察)を取り入れたチャットボット
論文参考訳（メタデータ） (2024-10-15T08:39:12Z)
Agents' Room: Narrative Generation through Multi-step Collaboration [54.98886593802834]
本稿では,物語の執筆を特殊エージェントが取り組んだサブタスクに分解する,物語理論に触発された世代フレームワークを提案する。エージェントの部屋は,専門的評価者が好むストーリーをベースラインシステムより生成することを示す。
論文参考訳（メタデータ） (2024-10-03T15:44:42Z)
GROVE: A Retrieval-augmented Complex Story Generation Framework with A Forest of Evidence [26.90143556633735]
本稿では,etextbfVidtextbfEnce (GROVE) のftextbfOrestを用いた検索用autextbfGmented stotextbfRy生成フレームワークを提案する。我々は、証拠の森を抽出し、生成された物語で起こりうる曖昧さを補償する「なぜ」プロンプトスキームを設計する。
論文参考訳（メタデータ） (2023-10-09T03:55:55Z)
Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy [164.83371924650294]
検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。 Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
論文参考訳（メタデータ） (2023-05-24T16:17:36Z)
Conversational Pattern Mining using Motif Detection [1.9686054517684888]
我々は,会話パターンマイニング技術を開発するために,教師なしの手法を用いている。本研究では,これを自然言語処理の分野に適用し,モチーフ検出アルゴリズムを拡張した。このアルゴリズムを実世界の動的データセットに適用するために,我々はオープンソースフィルムスクリプトデータソースからモチーフを抽出する。
論文参考訳（メタデータ） (2022-11-13T08:30:43Z)
Face editing with GAN -- A Review [0.0]
GAN(Generative Adversarial Networks)は、ディープラーニングを扱う研究者やエンジニアの間でホットな話題となっている。 GANには、ジェネレータと識別器という、2つの競合するニューラルネットワークがある。他の生成モデルと異なるのは、ラベルのないサンプルを学習する能力である。
論文参考訳（メタデータ） (2022-07-12T06:51:53Z)
Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文参考訳（メタデータ） (2022-05-21T08:39:42Z)
What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文参考訳（メタデータ） (2020-11-06T02:23:01Z)
ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文参考訳（メタデータ） (2020-04-30T14:16:19Z)
Reverse Engineering Configurations of Neural Text Generation Models [86.9479386959155]
モデル選択の結果、機械が生成したテキストに現れるアーティファクトの研究は、新しい研究領域である。我々は、モデリング選択が検出可能なアーティファクトを生成テキストに残すかどうかを確認するために、広範囲な診断テストを実行する。我々の重要な発見は、厳密な実験によって裏付けられ、そのような成果物が存在することと、生成されたテキストのみを観察することで異なるモデリング選択を推測できることである。
論文参考訳（メタデータ） (2020-04-13T21:02:44Z)

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。