論文の概要: Continuous Reinforcement Learning-based Dynamic Difficulty Adjustment in a Visual Working Memory Game

• arxiv url: http://arxiv.org/abs/2308.12726v1
• Date: Thu, 24 Aug 2023 12:05:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 14:18:03.736255
• Title: Continuous Reinforcement Learning-based Dynamic Difficulty Adjustment in a Visual Working Memory Game
• Title（参考訳）: 連続強化学習に基づく作業記憶ゲームにおける動的困難調整
• Authors: Masoud Rahimi, Hadi Moradi, Abdol-hossein Vahabie, Hamed Kebriaei
• Abstract要約: 強化学習(Reinforcement Learning, RL)法は、非競合ゲームにおける動的難易度調整(DDA)に用いられている。 本稿では,複雑な検索空間を記憶の難しさに対処するために,視覚的ワーキングメモリ(VWM)ゲームのための連続的なRLベースのDDA手法を提案する。
• 参考スコア（独自算出の注目度）: 5.857929080874288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Difficulty Adjustment (DDA) is a viable approach to enhance a player's experience in video games. Recently, Reinforcement Learning (RL) methods have been employed for DDA in non-competitive games; nevertheless, they rely solely on discrete state-action space with a small search space. In this paper, we propose a continuous RL-based DDA methodology for a visual working memory (VWM) game to handle the complex search space for the difficulty of memorization. The proposed RL-based DDA tailors game difficulty based on the player's score and game difficulty in the last trial. We defined a continuous metric for the difficulty of memorization. Then, we consider the task difficulty and the vector of difficulty-score as the RL's action and state, respectively. We evaluated the proposed method through a within-subject experiment involving 52 subjects. The proposed approach was compared with two rule-based difficulty adjustment methods in terms of player's score and game experience measured by a questionnaire. The proposed RL-based approach resulted in a significantly better game experience in terms of competence, tension, and negative and positive affect. Players also achieved higher scores and win rates. Furthermore, the proposed RL-based DDA led to a significantly less decline in the score in a 20-trial session.
• Abstract（参考訳）: Dynamic Difficulty Adjustment (DDA) は、ビデオゲームにおけるプレイヤーの経験を高めるための実行可能なアプローチである。 近年,非競争ゲームでは強化学習(rl)手法が採用されているが,検索空間が小さい離散状態空間のみに依存している。 本稿では,複雑な検索空間を扱うために,視覚ワーキングメモリ(VWM)ゲームのための連続的なRLベースのDDA手法を提案する。 提案されたRLベースのDDAは、前回のトライアルにおけるプレイヤーの得点とゲームの難易度に基づいてゲームの難易度を調整する。 我々は記憶の難しさのために連続的な計量を定義した。 次に、タスクの難易度と難易度スコアのベクトルをrlの動作と状態として考察する。 52名の被験者を対象に実験を行い,提案手法の評価を行った。 提案手法を2つのルールベース難易度調整法と比較し, 得点とゲーム経験を質問紙で測定した。 提案したRLベースのアプローチは、能力、緊張、ネガティブ、ポジティブな影響の点において、ゲーム体験を著しく改善した。 また、得点率や勝利率も高い。 さらに、提案されたRLベースのDDAは、20回のセッションでスコアが大幅に低下した。

関連論文リスト

• Reinforcing Competitive Multi-Agents for Playing So Long Sucker [0.393259574660092]
  本稿では,戦略ゲームSo Long Suckerにおける古典的深層学習(DRL)アルゴリズム,DQN,DDQN,Dueling DQNの使用について検討する。 研究の第一の目的は、古典的なDRL手法を用いて、ゲームのルールと戦略を自律エージェントに教えることである。
  論文  参考訳（メタデータ） (2024-11-17T12:38:13Z)
• Personalized Dynamic Difficulty Adjustment -- Imitation Learning Meets Reinforcement Learning [44.99833362998488]
  本研究では,機械学習をベースとしたエージェントを用いて,現在の動作に基づいてプレイヤーに挑戦するゲーム難易度について検討する。 これは2つのエージェントの組み合わせによって達成され、1つはプレイヤーを模倣することを学び、もう1つは1つを倒すように訓練される。 本稿では,対戦ゲームAIコンペティションにおけるAIエージェントの動的難易度調整のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T11:24:12Z)
• 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)
• Balance, Imbalance, and Rebalance: Understanding Robust Overfitting from a Minimax Game Perspective [80.51463286812314]
  敵対的訓練(AT)はおそらく、頑健な特徴を抽出するための最先端のアルゴリズムである。 ATは、特に学習率(LR)が崩壊した後、深刻な強固な過適合問題に悩まされる。 我々は, LR崩壊が, より強い記憶能力でトレーナーに力を与えることにより, ミニマックスゲーム間のバランスを損なうことを示す。
  論文  参考訳（メタデータ） (2023-10-30T09:00:11Z)
• A Ranking Game for Imitation Learning [22.028680861819215]
  模倣を、$textitpolicy$と$textitreward$関数の間の2プレイヤーランキングベースのStackelbergゲームとして扱う。 このゲームは、オフラインの好みから学習する逆強化学習(IRL)法と方法の両方の多くのサブセットを含んでいる。 本研究では,均衡条件下での準最適模倣学習を容易にするために,政策性能のランク付けに使用される損失関数の要件を理論的に分析する。
  論文  参考訳（メタデータ） (2022-02-07T19:38:22Z)
• DL-DDA -- Deep Learning based Dynamic Difficulty Adjustment with UX and Gameplay constraints [0.8594140167290096]
  ゲームによって課される他のプレイヤーやマクロ制約を考慮して,ユーザエクスペリエンスを自動的に最適化する手法を提案する。 ゲームデザインの専門家が作成したマニュアルを,20万ドルで実験し,その成果を実演した。
  論文  参考訳（メタデータ） (2021-06-06T09:47:15Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• 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)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)

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。