論文の概要: G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2407.10483v1
- Date: Mon, 15 Jul 2024 07:11:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 16:00:42.066173
- Title: G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning
- Title（参考訳）: G-PCGRL:強化学習による手続き型グラフデータ生成
- Authors: Florian Rupp, Kai Eckert,
- Abstract要約: ゲームでは、グラフベースのデータ構造は全表現であり、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。
本稿では,強化学習を用いたグラフデータの手続き生成のための新規かつ制御可能な手法を提案する。
本手法は,ゲーム作成プロセスにおいて,デザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することができる。
- 参考スコア（独自算出の注目度）: 0.28273304533873334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph data structures offer a versatile and powerful means to model relationships and interconnections in various domains, promising substantial advantages in data representation, analysis, and visualization. In games, graph-based data structures are omnipresent and represent, for example, game economies, skill trees or complex, branching quest lines. With this paper, we propose G-PCGRL, a novel and controllable method for the procedural generation of graph data using reinforcement learning. Therefore, we frame this problem as manipulating a graph's adjacency matrix to fulfill a given set of constraints. Our method adapts and extends the Procedural Content Generation via Reinforcement Learning (PCGRL) framework and introduces new representations to frame the problem of graph data generation as a Markov decision process. We compare the performance of our method with the original PCGRL, the run time with a random search and evolutionary algorithm, and evaluate G-PCGRL on two graph data domains in games: game economies and skill trees. The results show that our method is capable of generating graph-based content quickly and reliably to support and inspire designers in the game creation process. In addition, trained models are controllable in terms of the type and number of nodes to be generated.
- Abstract（参考訳）: グラフデータ構造は、さまざまな領域における関係や相互接続をモデル化するための汎用的で強力な手段を提供する。
ゲームでは、グラフベースのデータ構造は全表現であり、例えば、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。
本稿では,G-PCGRLを提案する。G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PCGRL,G-PC GRL)。
したがって、この問題は、与えられた制約を満たすためにグラフの隣接行列を操作するものである。
提案手法は,PCGRL(Reinforcement Learning)フレームワークによる手続き的コンテンツ生成を適応・拡張し,マルコフ決定プロセスとしてグラフデータ生成の問題を枠組み化するための新しい表現を導入する。
我々は,ゲーム内の2つのグラフデータ領域(ゲームエコノミーとスキルツリー)におけるG-PCGRLの評価を行い,本手法の性能を元のPCGRLと比較した。
その結果,本手法は,ゲーム作成プロセスにおけるデザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することが可能であることが示唆された。
さらに、トレーニングされたモデルは、生成されるノードの種類と数の観点から制御可能である。
関連論文リスト
- OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
本研究では,多種多様なグラフデータに存在する複雑なトポロジ的パターンを理解するための一般グラフ基盤モデルを構築した。
本稿では,グラフモデルに統一的なグラフトークン化手法を提案する。
また,グローバルなトポロジ的コンテキスト内のノード依存性を効果的にキャプチャするスケーラブルなグラフ変換器を開発した。
論文 参考訳（メタデータ） (2024-03-02T08:05:03Z) - GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。
既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。
グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文 参考訳（メタデータ） (2024-02-23T08:29:42Z) - GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。
堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。
本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
論文 参考訳（メタデータ） (2023-10-19T06:17:46Z) - SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。
SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。
合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
論文 参考訳（メタデータ） (2022-09-20T12:33:50Z) - Relational Self-Supervised Learning on Graphs [6.891327852064418]
グラフ表現学習(GRL)は、グラフ構造化データを解析するための強力な戦略である。
グラフ自体から生成された関係情報から学習する新しいGRL法であるRGRLを提案する。
グローバルとローカルの両方の観点からノード間の関係を考慮することで、RGRLは従来のコントラスト的および非コントラスト的手法の制限を克服する。
論文 参考訳（メタデータ） (2022-08-21T12:33:16Z) - GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。
我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。
その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
論文 参考訳（メタデータ） (2022-05-22T11:57:08Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Augmentation-Free Self-Supervised Learning on Graphs [7.146027549101716]
AFGRLと呼ばれるグラフのための拡張自由な自己教師型学習フレームワークを提案する。
具体的には,局所構造情報とグローバルセマンティクスをグラフと共有するノードを発見することによって,グラフの代替ビューを生成する。
論文 参考訳（メタデータ） (2021-12-05T04:20:44Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。
本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。
これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文 参考訳（メタデータ） (2020-12-31T18:17:57Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳（メタデータ） (2020-10-22T20:13:43Z)
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。