論文の概要: Quality Diversity in the Amorphous Fortress (QD-AF): Evolving for
Complexity in 0-Player Games
- arxiv url: http://arxiv.org/abs/2312.02231v1
- Date: Mon, 4 Dec 2023 05:16:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:15:03.848550
- Title: Quality Diversity in the Amorphous Fortress (QD-AF): Evolving for
Complexity in 0-Player Games
- Title（参考訳）: アモルファス・フォートレス(qd-af)における品質の多様性 : 0プレイヤーゲームにおける複雑化に向けて
- Authors: Sam Earle, M Charity, Dipika Rajesh, Mayu Wilson, Julian Togelius
- Abstract要約: アモルファス・フォートレス(AF)シミュレーションフレームワークを用いた多様な環境の創出について検討する。
フレームワーク内のエージェントの挙動と条件は、多エージェント人工生命と強化学習環境の共通構成要素を捉えるように設計されている。
- 参考スコア（独自算出の注目度）: 2.1374208474242815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the generation of diverse environments using the Amorphous
Fortress (AF) simulation framework. AF defines a set of Finite State Machine
(FSM) nodes and edges that can be recombined to control the behavior of agents
in the `fortress' grid-world. The behaviors and conditions of the agents within
the framework are designed to capture the common building blocks of multi-agent
artificial life and reinforcement learning environments. Using quality
diversity evolutionary search, we generate diverse sets of environments. These
environments exhibit certain types of complexity according to measures of
agents' FSM architectures and activations, and collective behaviors. Our
approach, Quality Diversity in Amorphous Fortress (QD-AF) generates families of
0-player games akin to simplistic ecological models, and we identify the
emergence of both competitive and co-operative multi-agent and multi-species
survival dynamics. We argue that these generated worlds can collectively serve
as training and testing grounds for learning algorithms.
- Abstract（参考訳）: アモルファス・フォートレス(af)シミュレーション・フレームワークを用いて多様な環境の生成を探索する。
afは'フォートレス'グリッドワールドにおけるエージェントの振る舞いを制御するために再結合できる有限状態機械(fsm)ノードとエッジを定義する。
フレームワーク内のエージェントの挙動と条件は、多エージェント人工生命と強化学習環境の共通構成要素を捉えるように設計されている。
品質多様性進化探索を用いて、多様な環境群を生成する。
これらの環境は、エージェントのFSMアーキテクチャやアクティベーション、集団行動の尺度に従って、ある種の複雑さを示す。
非晶質要塞における品質多様性 (qd-af) は, 単純生態モデルに類似した0プレイヤーゲーム群を生成し, 競争的および協調的マルチエージェントおよび多種生物生存動態の出現を明らかにした。
これらの生成した世界は、学習アルゴリズムのトレーニングとテストの基盤として機能する、と主張する。
関連論文リスト
- Factorised Active Inference for Strategic Multi-Agent Interactions [1.9389881806157316]
この目的に2つの補完的アプローチを組み込むことができる。
アクティブ推論フレームワーク(AIF)は、エージェントが環境内の信念や行動に適応するために生成モデルをどのように利用するかを記述する。
ゲーム理論は、潜在的に競合する目的を持つエージェント間の戦略的相互作用を定式化する。
本稿では,各エージェントが他のエージェントの内部状態に対する明示的かつ個別的な信念を維持し,それらを共同で戦略的計画に利用する生成モデルの因子化を提案する。
論文 参考訳（メタデータ） (2024-11-11T21:04:43Z) - Diversity-Rewarded CFG Distillation [62.08448835625036]
そこで本研究では,CFGの限界に対処しつつ,CFGの強度を蒸留する新しい微調整法であるCFG蒸留を導入する。
提案手法は,(1)蒸留目標,(CFGを使わずに)モデルのみにCFG拡張予測を模倣するよう促すこと,(2)多様性報酬を付与したRL目標,および与えられたプロンプトに対する多様な出力の生成を促進すること,の2つの訓練目標を最適化する。
論文 参考訳（メタデータ） (2024-10-08T14:40:51Z) - HAZARD Challenge: Embodied Decision Making in Dynamically Changing
Environments [93.94020724735199]
HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。
このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
論文 参考訳（メタデータ） (2024-01-23T18:59:43Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳（メタデータ） (2023-12-08T16:51:10Z) - MAgIC: Investigation of Large Language Model Powered Multi-Agent in
Cognition, Adaptability, Rationality and Collaboration [102.41118020705876]
大規模言語モデル(LLM)は自然言語処理の分野で大きな進歩を遂げている。
アプリケーションがマルチエージェント環境に拡張されるにつれ、包括的な評価フレームワークの必要性が高まっている。
この研究は、マルチエージェント設定内でLLMを評価するために特別に設計された新しいベンチマークフレームワークを導入している。
論文 参考訳（メタデータ） (2023-11-14T21:46:27Z) - Amorphous Fortress: Observing Emergent Behavior in Multi-Agent FSMs [3.620115940532283]
我々は,抽象的かつ空間的かつオープンな人工生命シミュレーションであるアモルファス・フォートレス (Amorphous Fortress) というシステムを紹介した。
この環境では、エージェントは有限状態機械(FSM)として表現され、制約空間内でのマルチエージェント相互作用を可能にする。
この環境は、ドワーフ・フォートレスやザ・シムズのようなシミュレーションゲームで暗黙的に見つかった創発的なAI行動を調べるために設計された。
論文 参考訳（メタデータ） (2023-06-22T19:32:53Z) - Stateful active facilitator: Coordination and Environmental
Heterogeneity in Cooperative Multi-Agent Reinforcement Learning [71.53769213321202]
環境の調整レベルと不均一度の概念を定式化する。
異なるMARLアプローチの実証評価を容易にするマルチエージェント環境のスイートであるHECOGridを提案する。
本研究では,エージェントが高配向環境と高配向環境において効率的に作業することを可能にする訓練分散実行学習手法を提案する。
論文 参考訳（メタデータ） (2022-10-04T18:17:01Z) - Generalization in Cooperative Multi-Agent Systems [49.16349318581611]
協調型マルチエージェントシステムのための組合せ一般化(CG)の理論的基盤について検討する。
CGは、幅広いアプリケーションにまたがる実用性とデプロイ性を向上させることができるため、自律システムにとって非常に望ましい特徴である。
論文 参考訳（メタデータ） (2022-01-31T21:39:56Z) - Illuminating Diverse Neural Cellular Automata for Level Generation [5.294599496581041]
本稿では,ゲームレベルを設計するためのニューラルネットワークオートマトン(NCA)のコレクションを生成する手法を提案する。
提案手法は,審美的基準や機能的基準に基づいて,出力レベルが異なる多様なレベルジェネレータを訓練することができる。
本手法は,迷路ゲーム,ソコバン,ゼルダなどの2次元タイルゲームのためのレベルジェネレータ生成に応用する。
論文 参考訳（メタデータ） (2021-09-12T11:17:31Z) - A Deep Generative Artificial Intelligence system to decipher species
coexistence patterns [0.0]
植生パッチ中の種共存パターンを解析するための最先端機械学習手法について検討する。
GANは、植物種の親和性だけでなく、実際のパッチの種組成を異なる土壌タイプに正確に再現する。
逐次的な軌道を再構築することで、異なるパッチの多様性を生み出す大きな可能性を持つ先駆的な種を特定できる。
論文 参考訳（メタデータ） (2021-07-13T12:12:11Z)
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。