論文の概要: ChatGPT4PCG 2 Competition: Prompt Engineering for Science Birds Level Generation

• arxiv url: http://arxiv.org/abs/2403.02610v1
• Date: Tue, 5 Mar 2024 02:58:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 16:16:07.108510
• Title: ChatGPT4PCG 2 Competition: Prompt Engineering for Science Birds Level Generation
• Title（参考訳）: ChatGPT4PCG 2コンペティション:サイエンスバードのレベルジェネレーションのためのプロンプトエンジニアリング
• Authors: Pittawat Taveekitworachai, Febri Abdullah, Mury F. Dewantoro, Yi Xia, Pratch Suntichaikul, Ruck Thawonmas, Julian Togelius, Jochen Renz
• Abstract要約: 本稿では2024年のIEEE Conference on Gamesで第2回ChatGPT4PCGコンテストを開催する。 参加者の提出に対して、より柔軟なフォーマットを可能にするとともに、新しい評価基準を導入する。 各種PE手法の実装例をPythonで提供し,その予備性能を評価する。
• 参考スコア（独自算出の注目度）: 5.283007370413379
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the second ChatGPT4PCG competition at the 2024 IEEE Conference on Games. In this edition of the competition, we follow the first edition, but make several improvements and changes. We introduce a new evaluation metric along with allowing a more flexible format for participants' submissions and making several improvements to the evaluation pipeline. Continuing from the first edition, we aim to foster and explore the realm of prompt engineering (PE) for procedural content generation (PCG). While the first competition saw success, it was hindered by various limitations; we aim to mitigate these limitations in this edition. We introduce diversity as a new metric to discourage submissions aimed at producing repetitive structures. Furthermore, we allow submission of a Python program instead of a prompt text file for greater flexibility in implementing advanced PE approaches, which may require control flow, including conditions and iterations. We also make several improvements to the evaluation pipeline with a better classifier for similarity evaluation and better-performing function signatures. We thoroughly evaluate the effectiveness of the new metric and the improved classifier. Additionally, we perform an ablation study to select a function signature to instruct ChatGPT for level generation. Finally, we provide implementation examples of various PE techniques in Python and evaluate their preliminary performance. We hope this competition serves as a resource and platform for learning about PE and PCG in general.
• Abstract（参考訳）: 本稿では2024年のIEEE Conference on Gamesで第2回ChatGPT4PCGコンテストを開催する。 コンペティションのこのエディションでは、最初のエディションに従っていますが、いくつかの改善と変更を行います。 参加者の提出を柔軟にし、評価パイプラインにいくつかの改善を加えるとともに、新しい評価基準を導入する。 第1版から続き、手続き的コンテンツ生成(PCG)のためのプロンプトエンジニアリング(PE)の領域を育成し、探求することを目指している。 最初の競争は成功したが、様々な制限によって妨げられ、我々はこの版でこれらの制限を緩和することを目指していた。 繰り返し構造の生成を目的とした提出を阻止するための新しい指標として多様性を導入する。 さらに、条件やイテレーションを含む制御フローを必要とする高度なpeアプローチを実装する際の柔軟性を高めるため、プロンプトテキストファイルの代わりにpythonプログラムの提出を可能にする。 また,類似度評価のための分類器の改良と機能シグネチャの高性能化により,評価パイプラインを改良した。 我々は,新しい指標と改良された分類器の有効性を徹底的に評価した。 さらに、レベル生成のためのChatGPTを指示する関数シグネチャを選択するためのアブレーション研究を行う。 最後に,Pythonにおける各種PE手法の実装例を示し,その予備性能を評価する。 この競争が、PEとPCG全般について学ぶためのリソースとプラットフォームとして機能することを願っている。

関連論文リスト

• 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)
• RecGPT: Generative Personalized Prompts for Sequential Recommendation via ChatGPT Training Paradigm [26.86784413057675]
  推薦タスクの項目インデックスレベルに新しいチャットフレームワークを設計する。 モデル部では、逐次レコメンデーションモデルとしてジェネレーティブ・プレトレーニング・トランスフォーマー(GPT)を採用する。 トレーニング部分には、事前学習や微調整を含む2段階のChatGPTパラダイムを採用する。
  論文  参考訳（メタデータ） (2024-04-06T12:38:54Z)
• Semantically-Shifted Incremental Adapter-Tuning is A Continual ViTransformer [44.10678347943115]
  クラスインクリメンタルラーニング(CIL)は、モデルが破滅的な忘れを克服しつつ、新しいクラスを継続的に学習できるようにすることを目的としている。 本稿では,連続学習の文脈において,異なるパラメータ効率チューニング(PET)手法を再検討する。 適応チューニングは,各学習セッションにおいてパラメータ拡張がなくても,プロンプトベースの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-29T05:23:12Z)
• Revisiting the Power of Prompt for Visual Tuning [50.11465784194896]
  本研究では,プロンプトとパッチトークンの相互関係について検討した。 プロンプトトークンはパッチトークンと高い相互情報を共有する傾向にあるという観測から着想を得て,下流トークンのプロトタイプを用いた初期化プロンプトを提案する。 本手法は, 自己指導型プレトレーニングの適応性を著しく向上させ, 少なくとも10%から30%のタスク性能向上を実現した。
  論文  参考訳（メタデータ） (2024-02-04T07:49:02Z)
• Class Incremental Learning with Pre-trained Vision-Language Models [59.15538370859431]
  本稿では、事前学習された視覚言語モデル(例えば、CLIP)を利用して、さらなる適応を可能にするアプローチを提案する。 いくつかの従来のベンチマークの実験は、常に現在の最先端よりも顕著な改善のマージンを示している。
  論文  参考訳（メタデータ） (2023-10-31T10:45:03Z)
• ChatGraph: Interpretable Text Classification by Converting ChatGPT Knowledge to Graphs [54.48467003509595]
  ChatGPTは、様々な自然言語処理(NLP)タスクにおいて優れたパフォーマンスを示している。 テキスト分類などの特定のタスクにChatGPTのパワーを利用する新しいフレームワークを提案する。 本手法は,従来のテキスト分類法と比較して,より透過的な意思決定プロセスを提供する。
  論文  参考訳（メタデータ） (2023-05-03T19:57:43Z)
• Strong Baselines for Parameter Efficient Few-Shot Fine-tuning [50.83426196335385]
  FSC (Few-shot Classification) は、事前訓練(メタトレーニング)フェーズの後にクラス毎にいくつかの例を与えられた新しいクラスを学習する。 近年の研究では、新しいテストクラスで事前訓練された視覚変換器(ViT)を微調整することが、FSCにとって強力なアプローチであることが示されている。 しかし、微調整のViTは、時間、計算、ストレージに費用がかかる。 これにより、Transformerのパラメータのごく一部だけを微調整するPEFT法が考案された。
  論文  参考訳（メタデータ） (2023-04-04T16:14:39Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)

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。