論文の概要: Markov Senior -- Learning Markov Junior Grammars to Generate User-specified Content

• arxiv url: http://arxiv.org/abs/2408.05959v1
• Date: Mon, 12 Aug 2024 07:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 13:35:58.291734
• Title: Markov Senior -- Learning Markov Junior Grammars to Generate User-specified Content
• Title（参考訳）: Markov Senior - ユーザ指定コンテンツを生成するためにMarkov Junior Grammarsを学ぶ
• Authors: Mehmet Kayra Oğuz, Alexander Dockhorn,
• Abstract要約: 本稿では,階層型ルールセットを自動学習するための遺伝的プログラミングに基づく最適化フレームワークを提案する。 提案手法であるMarkov Senior'は,単一の入力サンプルから位置関係と距離関係を抽出し,確率的ルールを構築する。 我々は、画像ベースのコンテンツとスーパーマリオのレベルを生成する実験を通じて、その柔軟性と効果を実証し、アプローチを検証する。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Markov Junior is a probabilistic programming language used for procedural content generation across various domains. However, its reliance on manually crafted and tuned probabilistic rule sets, also called grammars, presents a significant bottleneck, diverging from approaches that allow rule learning from examples. In this paper, we propose a novel solution to this challenge by introducing a genetic programming-based optimization framework for learning hierarchical rule sets automatically. Our proposed method ``Markov Senior'' focuses on extracting positional and distance relations from single input samples to construct probabilistic rules to be used by Markov Junior. Using a Kullback-Leibler divergence-based fitness measure, we search for grammars to generate content that is coherent with the given sample. To enhance scalability, we introduce a divide-and-conquer strategy that enables the efficient generation of large-scale content. We validate our approach through experiments in generating image-based content and Super Mario levels, demonstrating its flexibility and effectiveness. In this way, ``Markov Senior'' allows for the wider application of Markov Junior for tasks in which an example may be available, but the design of a generative rule set is infeasible.
• Abstract（参考訳）: マルコフ・ジュニア(Markov Junior)は、様々なドメインにまたがる手続き的コンテンツ生成に使用される確率的プログラミング言語である。 しかし、手作業で作成・調整された確率的ルールセット(文法とも呼ばれる)に依存しているため、例から規則を学習できるアプローチから逸脱した、重大なボトルネックが提示される。 本稿では,階層型ルールセットを自動学習するための遺伝的プログラミングに基づく最適化フレームワークを導入することで,この問題に対する新たな解決策を提案する。 提案手法である<Markov Senior'は,Markov Juniorが使用する確率的ルールを構築するために,単一入力サンプルから位置関係と距離関係を抽出することに焦点を当てている。 Kullback-Leibler の発散度に基づく適合度尺度を用いて文法を探索し,与えられたサンプルと一貫性のあるコンテンツを生成する。 スケーラビリティを向上させるため,大規模コンテンツの効率的な生成を可能にする分割・分散戦略を導入する。 我々は,画像ベースのコンテンツとスーパーマリオレベルの生成実験を通じて,その柔軟性と有効性を実証し,そのアプローチを検証する。 このようにして、 ``Markov Senior'' は、例が利用可能なタスクに対して Markov Junior のより広範な適用を可能にするが、生成ルールセットの設計は不可能である。

関連論文リスト

• A Margin-Maximizing Fine-Grained Ensemble Method [42.44032031918387]
  マルジン最大化ファイングラインドアンサンブル法(Margin-Maximizing Fine-Grained Ensemble Method)を提案する。 少数の学習者を巧みに最適化し、一般化能力を向上させることで、大規模アンサンブルを超えるパフォーマンスを実現する。 本手法は,基礎学習者の10分の1と,他の最先端のアンサンブル手法を用いて,従来のランダム林よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-19T15:48:12Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Principled Gradient-based Markov Chain Monte Carlo for Text Generation [77.46654898866291]
  目標エネルギーに基づくテキスト分布を正確にサンプリングするために, 忠実な勾配に基づくサンプリングアルゴリズムを提案する。 我々は、忠実なサンプリング者が制御対象に忠実に固執しながら、より流動的なテキストを生成できることを実証する。
  論文  参考訳（メタデータ） (2023-12-29T18:00:56Z)
• Semi-supervised Semantic Segmentation Meets Masked Modeling:Fine-grained Locality Learning Matters in Consistency Regularization [31.333862320143968]
  半教師付きセマンティックセグメンテーションはラベル付き画像と豊富なラベル付き画像を利用してラベル効率の高い学習を実現することを目的としている。 我々は,より詳細な局所性学習により,より高密度なセグメンテーションを実現する,textttMaskMatchという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T03:28:53Z)
• RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations [52.549807652527306]
  本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。 RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。 我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
  論文  参考訳（メタデータ） (2023-12-11T12:47:29Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Semi-Supervised Learning of Semantic Correspondence with Pseudo-Labels [26.542718087103665]
  SemiMatchは意味論的に類似した画像間の密接な対応を確立するための半教師付きソリューションである。 筆者らのフレームワークは,ソースと弱増強ターゲット間のモデル予測自体を用いて擬似ラベルを生成し,擬似ラベルを用いてソースと強増強ターゲット間のモデルの再学習を行う。 実験では、SemiMatchは様々なベンチマーク、特にPF-Willowにおける最先端のパフォーマンスを大きなマージンで達成している。
  論文  参考訳（メタデータ） (2022-03-30T03:52:50Z)
• Boosting Few-Shot Learning With Adaptive Margin Loss [109.03665126222619]
  本稿では,数ショット学習問題に対するメートル法に基づくメタラーニング手法の一般化能力を改善するための適応的マージン原理を提案する。 大規模な実験により,提案手法は,現在のメートル法に基づくメタラーニング手法の性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-05-28T07:58:41Z)

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。