論文の概要: Games of Knightian Uncertainty as AGI testbeds

• arxiv url: http://arxiv.org/abs/2406.18178v2
• Date: Thu, 27 Jun 2024 09:58:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 12:59:10.948307
• Title: Games of Knightian Uncertainty as AGI testbeds
• Title（参考訳）: AGIテストベッドとしてのKnightian Uncertaintyのゲーム
• Authors: Spyridon Samothrakis, Dennis J. N. J. Soemers, Damian Machlanski,
• Abstract要約: ゲーム研究がAGIパスに再び関係するようになるためには、textitKnightianの不確実性に対処する必要がある、と我々は主張する。 エージェントは、警告なし、以前のデータなし、モデルアクセスなしで、オンザフライでゲームルールの迅速な変更に適応できる必要がある。
• 参考スコア（独自算出の注目度）: 2.66269503676104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Arguably, for the latter part of the late 20th and early 21st centuries, games have been seen as the drosophila of AI. Games are a set of exciting testbeds, whose solutions (in terms of identifying optimal players) would lead to machines that would possess some form of general intelligence, or at the very least help us gain insights toward building intelligent machines. Following impressive successes in traditional board games like Go, Chess, and Poker, but also video games like the Atari 2600 collection, it is clear that this is not the case. Games have been attacked successfully, but we are nowhere near AGI developments (or, as harsher critics might say, useful AI developments!). In this short vision paper, we argue that for game research to become again relevant to the AGI pathway, we need to be able to address \textit{Knightian uncertainty} in the context of games, i.e. agents need to be able to adapt to rapid changes in game rules on the fly with no warning, no previous data, and no model access.
• Abstract（参考訳）: 20世紀後半から21世紀初頭にかけて、ゲームはAIのドロソフィラと見なされてきた。 ゲームはエキサイティングなテストベッドのセットで、そのソリューション(最適なプレイヤーを特定すること)は、ある種の汎用知能を持つマシンにつながるだろう。 Go、Chess、Pokerといった従来のボードゲームだけでなく、Atari 2600コレクションのようなビデオゲームでも驚くべき成功を収めた結果、これがそうではないことは明らかだ。 ゲームはうまく攻撃されていますが、AGIの開発には近づきません(あるいは、より厳しい批評家が言うように、有用なAI開発です! このショートビジョンペーパーでは、ゲーム研究がAGIパスに再び関係するようになるためには、エージェントが警告なく、過去のデータも、モデルアクセスもなしに、ゲーム上のゲームルールの迅速な変更に適応できる必要があるという、ゲームコンテキストにおける \textit{Knightian uncertainty} に対処する必要があると論じている。

関連論文リスト

• People use fast, goal-directed simulation to reason about novel games [75.25089384921557]
  我々は,シンプルだが斬新なコネクテッドnスタイルのボードゲームについて,人々がどう考えるかを研究する。 ゲームがどんなに公平か、そしてどんなに楽しいのかを、ごくわずかな経験から判断するよう、私たちは人々に求めます。
  論文  参考訳（メタデータ） (2024-07-19T07:59:04Z)
• Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
  戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。 従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。 その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:06:31Z)
• Teamwork under extreme uncertainty: AI for Pokemon ranks 33rd in the world [0.0]
  本稿では,ゲームのメカニズムを解説し,ゲーム解析を行う。 ゲームにおける2つの最大の課題は、バランスのとれたチームを維持し、不確実性の3つの源に対処することだ、という認識に基づいて、ユニークなAIアルゴリズムを提案する。 我々のAIエージェントは、これまでのすべての試みよりも大幅に向上し、世界で最も人気のある戦闘フォーマットの1つで、世界で33位まで上昇しました。
  論文  参考訳（メタデータ） (2022-12-27T01:52:52Z)
• Are AlphaZero-like Agents Robust to Adversarial Perturbations? [73.13944217915089]
  AlphaZero(AZ)は、ニューラルネットワークベースのGo AIが人間のパフォーマンスを大きく上回ることを示した。 私たちは、Go AIが驚くほど間違った行動を起こさせる可能性のある、敵対的な状態が存在するかどうか尋ねる。 我々は、Go AIに対する最初の敵攻撃を開発し、探索空間を戦略的に減らし、効率よく敵の状態を探索する。
  論文  参考訳（メタデータ） (2022-11-07T18:43:25Z)
• Mastering the Game of Stratego with Model-Free Multiagent Reinforcement Learning [86.37438204416435]
  Strategoは、人工知能(AI)がまだマスターしていない数少ない象徴的なボードゲームの一つだ。 ストラテゴにおける決定は、行動と結果の間に明らかな結びつきがなく、多数の個別の行動に対してなされる。 DeepNashは、ストラテゴの既存の最先端AIメソッドを破り、Gravonゲームプラットフォームで年間(2022年)と最高3位を達成した。
  論文  参考訳（メタデータ） (2022-06-30T15:53:19Z)
• CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
  現代自然言語理解モデルの能力をテストするベンチマークを構築した。 本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
  論文  参考訳（メタデータ） (2022-01-14T06:49:15Z)
• AI in Games: Techniques, Challenges and Opportunities [40.86375378643978]
  Libratus、OpenAI Five、AlphaStarといった様々なゲームAIシステムが開発され、プロの人間プレイヤーに勝っている。 本稿では,最近成功したゲームAI,ボードゲームAI,カードゲームAI,ファーストパーソンシューティングゲームAI,リアルタイム戦略ゲームAIについて調査する。
  論文  参考訳（メタデータ） (2021-11-15T09:35:53Z)
• General Board Game Concepts [8.344476599818828]
  本稿では,ゲームプレイヤやデザイナが一般的に用いている用語に触発された「ゲームコンセプト」の概念の定式化を提案する。 ゲーム自体、プレイされた動作、到達した状態など、さまざまなレベルの抽象化の概念を記述します。 ハイパーエージェントセレクタの作成、ゲーム間のAI学習の転送、ゲーム用語を用いたAI技術の説明は、ゲームコンセプトを使用することで容易にできる。
  論文  参考訳（メタデータ） (2021-07-02T13:39:10Z)
• 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)
• Inducing game rules from varying quality game play [0.0]
  汎用ゲームプレイング(英: General Game Playing、GGP)は、人工知能プログラムが様々なゲームを成功させるために必要なフレームワークである。 IGGPは、特定のゲーム観測から一般的なゲームルールを誘導する問題である。 私たちは2014年のGGPコンテストの勝者であるSanchoを使って、多くのゲームでインテリジェントなゲームトレースを生成しています。 次に、ILPシステム、Metagol、Aleph、ILASPを使用して、トレースからゲームルールを誘導する。
  論文  参考訳（メタデータ） (2020-08-04T15:46:57Z)
• From Chess and Atari to StarCraft and Beyond: How Game AI is Driving the World of AI [10.80914659291096]
  Game AIは、最も先進的なAIアルゴリズムを開発し、テストするための研究分野として、自らを確立した。 Game AIの進歩は、ロボティクスや化学物質の合成など、ゲーム以外の領域にも拡張され始めている。
  論文  参考訳（メタデータ） (2020-02-24T18:28:54Z)

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。