論文の概要: Experiments with Encoding Structured Data for Neural Networks

• arxiv url: http://arxiv.org/abs/2402.10290v1
• Date: Thu, 15 Feb 2024 19:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 18:16:43.095718
• Title: Experiments with Encoding Structured Data for Neural Networks
• Title（参考訳）: ニューラルネットワークのための構造化データ符号化実験
• Authors: Sujay Nagesh Koujalgi and Jonathan Dodge
• Abstract要約: このプロジェクトの目的は、Battlespaceと呼ばれるゲームプレイングドメインで良いアクションを選択することができるAIエージェントを作成することである。 本稿では,Python クラスに格納された複雑な構造化データを示すための符号化技術に焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.9051087836811617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The project's aim is to create an AI agent capable of selecting good actions in a game-playing domain called Battlespace. Sequential domains like Battlespace are important testbeds for planning problems, as such, the Department of Defense uses such domains for wargaming exercises. The agents we developed combine Monte Carlo Tree Search (MCTS) and Deep Q-Network (DQN) techniques in an effort to navigate the game environment, avoid obstacles, interact with adversaries, and capture the flag. This paper will focus on the encoding techniques we explored to present complex structured data stored in a Python class, a necessary precursor to an agent.
• Abstract（参考訳）: このプロジェクトの目的は、バトルスペースと呼ばれるゲームプレイングドメインで良いアクションを選択できるaiエージェントを作ることだ。 バトルスペースのようなシーケンシャルなドメインは計画上の重要なテストベッドであり、国防総省はそのようなドメインをウォーゲーム演習に使っている。 開発したエージェントはモンテカルロ木探索(MCTS)とディープQネットワーク(DQN)技術を組み合わせて,ゲーム環境をナビゲートし,障害物を避け,敵と対話し,旗を捕獲する。 本稿では,エージェントの必要な前駆体であるPythonクラスに格納された複雑な構造化データを示すための符号化技術に焦点を当てる。

関連論文リスト

• Mastering the Game of Guandan with Deep Reinforcement Learning and Behavior Regulating [16.718186690675164]
  我々は,グアンダンのゲームをマスターするAIエージェントのためのフレームワークGuanZeroを提案する。 本論文の主な貢献は、注意深く設計されたニューラルネットワーク符号化方式によるエージェントの動作の制御である。
  論文  参考訳（メタデータ） (2024-02-21T07:26:06Z)
• Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense [111.9039128130633]
  我々は,防御者の地域認識とコミュニケーショングラフから行動へのマッピングを学習する模倣学習フレームワークを開発した。 学習ネットワークの性能を実証するために、異なるチームサイズと構成のシナリオで周辺防衛ゲームを実行します。
  論文  参考訳（メタデータ） (2023-01-23T19:35:59Z)
• Learning Decentralized Strategies for a Perimeter Defense Game with Graph Neural Networks [111.9039128130633]
  グラフニューラルネットワークに基づく学習フレームワークを設計し、ディフェンダーのローカル認識と通信グラフからディフェンダーの行動へのマッピングを学習する。 提案するネットワークは,専門家の方針に近づき,より多くの侵入者を捕捉することで,他のベースラインアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-24T22:48:51Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• CMT in TREC-COVID Round 2: Mitigating the Generalization Gaps from Web to Special Domain Search [89.48123965553098]
  本稿では,特殊領域適応問題を緩和する探索システムを提案する。 このシステムは、ドメイン適応型事前学習と数発の学習技術を利用して、ニューラルネットワークがドメインの不一致を軽減するのに役立つ。 本システムでは,TREC-COVID タスクの第2ラウンドにおいて,非マニュアル実行において最善を尽くす。
  論文  参考訳（メタデータ） (2020-11-03T09:10:48Z)

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。