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

• GAMformer: In-Context Learning for Generalized Additive Models [53.08263343627232]
  本稿では,1つの前方パスにおけるGAMの形状関数を推定するために,文脈内学習を利用した最初の手法であるGAMformerを紹介する。 実験の結果,GAMformerは様々な分類ベンチマークにおいて,他の主要なGAMと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2024-10-06T17:28:20Z)
• PCGRL+: Scaling, Control and Generalization in Reinforcement Learning Level Generators [2.334978724544296]
  制御可能なデザイナーエージェントを訓練する手段として,PCGRL (Procedural Content Generation) が導入された。 PCGRLはゲームデザイナーにユニークな余裕を提供するが、RLエージェントを訓練する計算集約的なプロセスによって制約される。 我々はJaxにいくつかのPCGRL環境を実装し、GPU上で学習とシミュレーションのあらゆる側面が並列に行われるようにした。
  論文  参考訳（メタデータ） (2024-08-22T16:30:24Z)
• Continual Learning for Remote Physiological Measurement: Minimize Forgetting and Simplify Inference [4.913049603343811]
  既存のr測定手法は、しばしば漸進的な学習シナリオを見落としている。 既存のクラスインクリメンタルな学習アプローチはr測定には適していない。 r測定のための連続学習に取り組むためにADDPという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T01:49:09Z)
• G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning [0.28273304533873334]
  ゲームでは、グラフベースのデータ構造は全表現であり、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。 本稿では,強化学習を用いたグラフデータの手続き生成のための新規かつ制御可能な手法を提案する。 本手法は,ゲーム作成プロセスにおいて,デザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することができる。
  論文  参考訳（メタデータ） (2024-07-15T07:11:00Z)
• Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction [53.88231294380083]
  非連続的な学習シナリオと連続的な学習シナリオの両方に適合する、新しいMulti-Epoch Learning with Data Augmentation (MEDA)フレームワークを導入する。 MEDAは、その後のトレーニングデータへの埋め込み層の依存性を減らし、過度な適合を最小化する。 実験の結果,プレトレーニングした層が新しい埋め込み空間に適応し,過度に適合することなく性能を向上できることが確認された。
  論文  参考訳（メタデータ） (2024-06-27T04:00:15Z)
• 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)
• Pair then Relation: Pair-Net for Panoptic Scene Graph Generation [54.92476119356985]
  Panoptic Scene Graph (PSG) は、ボックスの代わりにパン光学セグメンテーションを使用して、より包括的なシーングラフ表現を作成することを目的としている。 現在のPSGメソッドは性能が限られており、下流のタスクやアプリケーションを妨げる。 Pair then Relation (Pair-Net) - Pair Proposal Network (PPN) を用いて、対象と対象間の疎対関係を学習・フィルタリングする。
  論文  参考訳（メタデータ） (2023-07-17T17:58:37Z)
• 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)
• 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)
• 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。