論文の概要: Active Learning for Classifying 2D Grid-Based Level Completability

• arxiv url: http://arxiv.org/abs/2309.04367v1
• Date: Fri, 8 Sep 2023 14:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 13:13:52.887092
• Title: Active Learning for Classifying 2D Grid-Based Level Completability
• Title（参考訳）: 2次元グリッドに基づくレベルコンプリタビリティの分類のためのアクティブラーニング
• Authors: Mahsa Bazzaz, Seth Cooper
• Abstract要約: 本稿では,能動学習を学習レベルの可読性分類に用いることを提案する。 我々は、スーパーマリオブラザーズ、キッド・イカルス、ゼルダのようなゲームで生成されたレベルの補完性を分類するために、ディープラーニングモデルを訓練する。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the completability of levels generated by procedural generators such as machine learning models can be challenging, as it can involve the use of solver agents that often require a significant amount of time to analyze and solve levels. Active learning is not yet widely adopted in game evaluations, although it has been used successfully in natural language processing, image and speech recognition, and computer vision, where the availability of labeled data is limited or expensive. In this paper, we propose the use of active learning for learning level completability classification. Through an active learning approach, we train deep-learning models to classify the completability of generated levels for Super Mario Bros., Kid Icarus, and a Zelda-like game. We compare active learning for querying levels to label with completability against random queries. Our results show using an active learning approach to label levels results in better classifier performance with the same amount of labeled data.
• Abstract（参考訳）: 機械学習モデルのような手続き型生成器が生成するレベルの可読性を決定することは、しばしばレベルの分析と解くのにかなりの時間を要するソルバエージェントの使用を伴うため、難しい場合がある。 アクティブラーニングはゲーム評価にはまだ広く採用されていないが、自然言語処理、画像および音声認識、コンピュータビジョンにおいて、ラベル付きデータの可用性が制限されたり、高価であったりしている。 本稿では,学習レベルの可読性分類におけるアクティブラーニングの利用を提案する。 アクティブ・ラーニング・アプローチにより、スーパーマリオブラザース、キッド・イカルス、ゼルダのようなゲームの生成レベルを分類するためにディープラーニングモデルをトレーニングする。 クエリレベルに対するアクティブラーニングとラベル付け,ランダムクエリに対する可読性を比較した。 その結果,ラベルレベルをアクティブに学習することで,ラベル付きデータ量と同量の分類器の性能が向上した。

関連論文リスト

• Active Prompt Learning in Vision Language Models [21.276006224504748]
  我々は,PCBと表記される事前学習型視覚言語モデルのための新しいアクティブラーニングフレームワークを考案した。 そこで本研究では,7つの実世界のデータセットを用いて実験を行い,PCBが従来の能動的学習法やランダムサンプリング法を超えることを示した。
  論文  参考訳（メタデータ） (2023-11-18T22:42:16Z)
• Deep Active Learning in the Presence of Label Noise: A Survey [1.8945921149936182]
  ディープラーニングは、事前に定義されたラベル付け予算内でディープラーニングモデルをトレーニングするための強力なツールとして登場した。 ラベルノイズの存在下での深いアクティブな学習の現状について論じ,ユニークなアプローチ,その強み,弱点を強調した。 本稿では,良質な画像表現を導出するコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:27:39Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• An Exploration of Active Learning for Affective Digital Phenotyping [4.790279027864381]
  アクティブラーニング(英: Active Learning)は、アルゴリズムを用いてラベルに対するデータポイントの有用なサブセットを計算的に選択するパラダイムである。 自然主義的コンピュータビジョン感情データ(特に異種で複雑なデータ空間)のアクティブラーニングについて検討する。 ゲームプレイ中に生成された情報を用いた能動的学習は,同一数のラベル付きフレームのランダム選択よりも若干優れていた。
  論文  参考訳（メタデータ） (2022-04-05T01:01:32Z)
• Class-Balanced Active Learning for Image Classification [29.5211685759702]
  本稿では,クラスバランスを考慮に入れた汎用最適化フレームワークを提案する。 3つのデータセットの結果から,本手法は汎用的(既存のほとんどのアクティブラーニングアルゴリズムと組み合わせることができる)であり,情報と代表に基づくアクティブラーニング手法の性能向上に効果的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2021-10-09T11:30:26Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Curriculum Learning: A Survey [65.31516318260759]
  カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。 我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。 集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
  論文  参考訳（メタデータ） (2021-01-25T20:08:32Z)
• Bilevel Continual Learning [76.50127663309604]
  BCL(Bilevel Continual Learning)という,継続的学習の新たな枠組みを提案する。 連続学習ベンチマーク実験では,多くの最先端手法と比較して,提案したBCLの有効性が示された。
  論文  参考訳（メタデータ） (2020-07-30T16:00:23Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• A Comprehensive Benchmark Framework for Active Learning Methods in Entity Matching [17.064993611446898]
  本稿では,EMのための統合型アクティブラーニングベンチマークフレームワークを構築する。 このフレームワークの目的は、積極的学習の組み合わせがEMにどのような効果をもたらすかについて、実践者のための具体的なガイドラインを可能にすることである。 また、F1スコアの観点から学習モデルの品質を約9%向上し、モデルの品質に影響を与えることなく、サンプル選択のレイテンシを最大10倍削減する新しい最適化も含んでいる。
  論文  参考訳（メタデータ） (2020-03-29T19:08:03Z)

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。