Fugu-MT 論文翻訳(概要): Evolutionary Machine Learning and Games

論文の概要: Evolutionary Machine Learning and Games

arxiv url: http://arxiv.org/abs/2311.16172v1
Date: Mon, 20 Nov 2023 13:21:39 GMT
ステータス: 処理完了
システム内更新日: 2023-12-03 13:05:59.387483
Title: Evolutionary Machine Learning and Games
Title（参考訳）: 進化的機械学習とゲーム
Authors: Julian Togelius, Ahmed Khalifa, Sam Earle, Michael Cerny Green, Lisa Soros
Abstract要約: この章は、進化が機械学習(ML)の強化に使用されるか、進化を増強するためにMLが使用されるかに基づいて、ゲーム向けに構成する。完全性については、ゲーム内でMLと進化を別々に使用することについても、簡潔に論じる。
参考スコア（独自算出の注目度）: 2.742755573637173
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Evolutionary machine learning (EML) has been applied to games in multiple ways, and for multiple different purposes. Importantly, AI research in games is not only about playing games; it is also about generating game content, modeling players, and many other applications. Many of these applications pose interesting problems for EML. We will structure this chapter on EML for games based on whether evolution is used to augment machine learning (ML) or ML is used to augment evolution. For completeness, we also briefly discuss the usage of ML and evolution separately in games.
Abstract（参考訳）: 進化的機械学習(EML)は、様々な目的のために、様々な方法でゲームに適用されている。重要なのは、ゲームにおけるAI研究はゲームだけでなく、ゲームコンテンツ、モデリングプレイヤー、その他多くのアプリケーションを生成することである。これらのアプリケーションの多くは、emlに興味深い問題をもたらします。進化が機械学習(ML)の強化に使用されるか、進化の増強にMLが使用されるかに基づいて、ゲーム用EMLのこの章を構築します。完全性については、ゲーム内でMLと進化を別々に使用することについても簡単に論じる。

関連論文リスト

Development of an End-to-end Machine Learning System with Application to In-app Purchases [0.1979158763744267]
プレイヤーが次のアプリ内購入をいつ行うかを予測するため,我々はMLシステムを開発した。これらの予測はプレイヤーにオファーを提示するために使用される。
論文参考訳（メタデータ） (2024-12-16T22:57:46Z)
Instruction-Driven Game Engine: A Poker Case Study [53.689520884467065]
IDGEプロジェクトは、大規模言語モデルで自由形式のゲーム記述を追従し、ゲームプレイプロセスを生成することにより、ゲーム開発を民主化することを目的としている。我々は、複雑なシナリオへの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。我々の最初の進歩はポーカーのIDGEの開発であり、これは幅広いポーカーの変種をサポートするだけでなく、自然言語入力を通じて高度に個別化された新しいポーカーゲームを可能にする。
論文参考訳（メタデータ） (2024-10-17T11:16:27Z)
A Survey on Self-Evolution of Large Language Models [116.54238664264928]
大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
論文参考訳（メタデータ） (2024-04-22T17:43:23Z)
Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
論文参考訳（メタデータ） (2024-03-30T08:02:16Z)
Holistic Autonomous Driving Understanding by Bird's-Eye-View Injected Multi-Modal Large Models [76.99140362751787]
我々は17のサブタスクで91Kのマルチビュービデオ-QAペアを持つ新しいデータセットであるNuInstructを提案する。また,BirdのEye-View特徴を効率的に抽出するエンドツーエンド手法であるBEV-InMLLMを提案する。
論文参考訳（メタデータ） (2024-01-02T01:54:22Z)
Octavius: Mitigating Task Interference in MLLMs via LoRA-MoE [83.00018517368973]
LLM(Large Language Models)は、命令チューニングを通じて、ゼロショット能力をマルチモーダル学習に拡張することができる。ネガティブな対立や干渉はパフォーマンスに悪影響を及ぼすかもしれない我々は、よく知られたMixture-of-Experts(MoE)と代表的なPEFT技法の1つであるLoRA(LoRA-MoE)を組み合わせて、マルチモーダル学習のための新しいLLMベースのデコーダ(LoRA-MoE)を設計する。
論文参考訳（メタデータ） (2023-11-05T15:48:29Z)
Multi-Game Decision Transformers [49.257185338595434]
そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
論文参考訳（メタデータ） (2022-05-30T16:55:38Z)
Does Explainable Machine Learning Uncover the Black Box in Vision Applications? [1.0660480034605242]
説明可能なMLの背景にある現在の哲学は、一定の限界に悩まされていると我々は主張する。また、より厳格な原則に頼ることで、MLにおける説明力がどのように役立つかという視点も提供します。
論文参考訳（メタデータ） (2021-12-18T10:37:52Z)
Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。 MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文参考訳（メタデータ） (2021-07-16T23:57:57Z)
ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students [2.2559617939136505]
3つの機械学習(ML)概念の概念的概要を提供する3DビデオゲームであるML-Questを提案する。このゲームは,TAM(Technology Acceptance Model)モデルを用いて,その有用性とプレイヤエクスペリエンスについて,主に評価されている。参加者の約70%はML-Questに同意するか、あるいは強く同意している。
論文参考訳（メタデータ） (2021-07-13T16:05:01Z)
Towards Game Design via Creative Machine Learning (GDCML) [5.33024001730262]
我々は、ゲームのためのコンテンツデザインにこのような創造的手法を活用・再利用し、クリエイティブML(GDCML)によるゲームデザインのアプローチとして言及する。我々は、GDCMLを可能にする既存のシステムを強調し、サンプルアプリケーションと提案システムを介して、クリエイティブMLがいかに新しいシステムに通知できるかを説明する。
論文参考訳（メタデータ） (2020-07-25T21:15:55Z)

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。