論文の概要: Tree-Based Reconstructive Partitioning: A Novel Low-Data Level
Generation Approach
- arxiv url: http://arxiv.org/abs/2309.13071v1
- Date: Mon, 18 Sep 2023 20:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-01 12:13:27.305609
- Title: Tree-Based Reconstructive Partitioning: A Novel Low-Data Level
Generation Approach
- Title(参考訳): 木に基づく再構成分割:新しい低データレベルの生成手法
- Authors: Emily Halina and Matthew Guzdial
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.626364462708322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Procedural Content Generation (PCG) is the algorithmic generation of content,
often applied to games. PCG and PCG via Machine Learning (PCGML) have appeared
in published games. However, it can prove difficult to apply these approaches
in the early stages of an in-development game. PCG requires expertise in
representing designer notions of quality in rules or functions, and PCGML
typically requires significant training data, which may not be available early
in development. In this paper, we introduce Tree-based Reconstructive
Partitioning (TRP), a novel PCGML approach aimed to address this problem. Our
results, across two domains, demonstrate that TRP produces levels that are more
playable and coherent, and that the approach is more generalizable with less
training data. We consider TRP to be a promising new approach that can afford
the introduction of PCGML into the early stages of game development without
requiring human expertise or significant training data.
- Abstract(参考訳): 手続き的コンテンツ生成 (procedural content generation, pcg) は、ゲームにしばしば適用されるコンテンツのアルゴリズム生成である。
pcg と pcg via machine learning (pcgml) が出版されたゲームに登場した。
しかし、これらのアプローチを開発中のゲームの初期に応用することは困難である。
PCGMLは、ルールや機能における品質のデザイナー概念を表現する専門知識を必要とし、PCGMLは通常、開発初期段階では利用できないような、かなりのトレーニングデータを必要とする。
本稿では,この問題に対する新しいpcgml手法であるtree-based reconstructionive partitioning (trp)を提案する。
2つの領域にまたがって、TRPはより遊びやすく一貫性のあるレベルを生成し、より少ないトレーニングデータでより一般化可能であることを示す。
我々は,PCGMLをゲーム開発の初期段階に導入する上で,人間の専門知識や重要なトレーニングデータを必要としない,有望な新しいアプローチであると考えている。
関連論文リスト
- How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。
大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。
我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
論文 参考訳(メタデータ) (2024-02-25T20:07:13Z) - 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) - Exploring Minecraft Settlement Generators with Generative Shift Analysis [1.591012510488751]
我々は,PCGパイプラインにおける個々のステージの影響を評価するための新しい手法を提案し,既存のアーティファクトに適用した場合に生成プロセスが与える影響を定量化する。
本手法は, Minecraftコンペティション(GDMC)の一環として開発された, 代替居留地生成装置の集合によって生成されるMinecraftゲームマップの, 非常に豊富なデータセットに適用することによって検討する。
これは、この手法の早期探索であるが、PCG評価に適用するための有望なレンズであることが分かり、我々は、生成シフトがドメインに依存しない評価方法である可能性について楽観的である。
論文 参考訳(メタデータ) (2023-09-11T10:48:42Z) - Procedural Content Generation via Knowledge Transformation (PCG-KT) [8.134009219520289]
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。
論文 参考訳(メタデータ) (2023-05-01T03:31:22Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳(メタデータ) (2022-11-03T16:42:40Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳(メタデータ) (2022-09-15T17:59:31Z) - Use and Misuse of Machine Learning in Anthropology [0.9786690381850356]
生物学的・文化的な証拠に基づいて人類の進化を理解することを目指す古人類学の分野に焦点をあてる。
本研究の目的は,MLが古人類学に応用されている方法について,簡単な紹介を行うことである。
人類学文献の集積部において,ML手法の正しいプロトコルの一連の誤り,誤り,違反について論じる。
論文 参考訳(メタデータ) (2022-09-06T20:32:24Z) - Jump-Start Reinforcement Learning [68.82380421479675]
本稿では、オフラインデータやデモ、あるいは既存のポリシーを使ってRLポリシーを初期化するメタアルゴリズムを提案する。
特に,タスク解決に2つのポリシーを利用するアルゴリズムであるJump-Start Reinforcement Learning (JSRL)を提案する。
実験により、JSRLは既存の模倣と強化学習アルゴリズムを大幅に上回っていることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:25:22Z) - Less is More: A Call to Focus on Simpler Models in Genetic Programming
for Interpretable Machine Learning [1.0323063834827415]
解釈可能性(interpretability)は、ハイテイクなアプリケーションにおける機械学習モデルの安全かつ責任ある使用に不可欠である。
GP for IMLの研究は、低複雑さモデルにおける探索に重点を置く必要があると我々は主張する。
論文 参考訳(メタデータ) (2022-04-05T08:28:07Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-12T18:13:45Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳(メタデータ) (2020-05-11T09:53:36Z)
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。