論文の概要: Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration

• arxiv url: http://arxiv.org/abs/2410.15644v1
• Date: Mon, 21 Oct 2024 05:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:12:43.934613
• Title: Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration
• Title（参考訳）: ゲームにおける手続き的コンテンツ生成: LLM統合の進展に関する調査
• Authors: Mahdi Farrokhi Maleki, Richard Zhao,
• Abstract要約: プロシージャコンテンツ生成(PCG)は、アルゴリズムを用いてゲームコンテンツの自動生成として定義される。 プレイヤーのエンゲージメントを高め、ゲームデザイナーの仕事を楽にする。 PCGにおけるディープラーニングアプローチの最近の進歩は、研究者や実践者がより洗練されたコンテンツを作成できるようにしている。 大規模言語モデル (LLMs) が登場し、PCGの進歩の軌跡を本当に破壊した。
• 参考スコア（独自算出の注目度）: 1.03590082373586
• License:
• Abstract: Procedural Content Generation (PCG) is defined as the automatic creation of game content using algorithms. PCG has a long history in both the game industry and the academic world. It can increase player engagement and ease the work of game designers. While recent advances in deep learning approaches in PCG have enabled researchers and practitioners to create more sophisticated content, it is the arrival of Large Language Models (LLMs) that truly disrupted the trajectory of PCG advancement. This survey explores the differences between various algorithms used for PCG, including search-based methods, machine learning-based methods, other frequently used methods (e.g., noise functions), and the newcomer, LLMs. We also provide a detailed discussion on combined methods. Furthermore, we compare these methods based on the type of content they generate and the publication dates of their respective papers. Finally, we identify gaps in the existing academic work and suggest possible directions for future research.
• Abstract（参考訳）: プロシージャコンテンツ生成(PCG)は、アルゴリズムを用いてゲームコンテンツの自動生成として定義される。 PCGはゲーム産業と学術界の両方で長い歴史がある。 プレイヤーのエンゲージメントを高め、ゲームデザイナーの仕事を楽にする。 PCGにおけるディープラーニングアプローチの最近の進歩は、研究者や実践者がより洗練されたコンテンツを作成することを可能にする一方で、PCGの進歩の軌跡を真に破壊する大規模言語モデル(LLM)が到来した。 本調査では,検索に基づく手法,機械学習に基づく手法,他の頻繁に使用される手法(例えば,雑音関数),新参者LLMなど,PCGで使用される様々なアルゴリズムの違いについて検討する。 また、組み合わせた手法に関する詳細な議論も行います。 さらに,各論文のコンテンツの種類と出版日に基づいて,これらの手法を比較した。 最後に,既存の学術研究のギャップを特定し,今後の研究の方向性を提案する。

関連論文リスト

• Large Language Models for Knowledge Graph Embedding Techniques, Methods, and Challenges: A Survey [8.979843002425948]
  大きな言語モデル(LLM)は、その優れたパフォーマンスのために、様々な分野で多くの注目を集めています。 彼らは、自然言語を理解して生成するために、大量のテキストデータに数億以上のパラメータを訓練することを目指している。 自然言語処理(NLP)の分野におけるディープラーニングモデルとして、大量のテキストデータを学習し、次の単語を予測したり、与えられたテキストに関連するコンテンツを生成する。
  論文  参考訳（メタデータ） (2025-01-14T00:47:24Z)
• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• Automating Knowledge Discovery from Scientific Literature via LLMs: A Dual-Agent Approach with Progressive Ontology Prompting [59.97247234955861]
  LLM-Duoという,プログレッシブプロンプトアルゴリズムとデュアルエージェントシステムを組み合わせた,大規模言語モデル(LLM)に基づく新しいフレームワークを提案する。 言語治療領域における64,177論文からの2,421件の介入を同定した。
  論文  参考訳（メタデータ） (2024-08-20T16:42:23Z)
• LLMs Meet Multimodal Generation and Editing: A Survey [89.76691959033323]
  本調査では,画像,ビデオ,3D,オーディオなど,さまざまな領域にわたるマルチモーダル生成と編集について詳述する。 これらの分野でのマイルストーンの成果を要約し、これらの研究をLLM法とCLIP/T5法に分類する。 我々は、既存の生成モデルを人間とコンピュータの相互作用に活用できるツール強化マルチモーダルエージェントを掘り下げる。
  論文  参考訳（メタデータ） (2024-05-29T17:59:20Z)
• Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
  大規模言語モデル(LLM)は、テキスト理解と生成において顕著な能力を示した。 各種IEサブタスクと技術の観点から,これらの作品を分類して概観する。 我々は,最も先進的な手法を実証的に分析し,LLMによるIEタスクの出現傾向を明らかにする。
  論文  参考訳（メタデータ） (2023-12-29T14:25:22Z)
• Procedural Content Generation via Knowledge Transformation (PCG-KT) [8.134009219520289]
  知識変換(PCG-KT)による手続き的コンテンツ生成の概念を導入する。 本研究の動機は,先進的な知識を再調達することで,新たなコンテンツを生み出すことに焦点を当てた最近のPCG作品が多数あることにある。
  論文  参考訳（メタデータ） (2023-05-01T03:31:22Z)
• Tools for Landscape Analysis of Optimisation Problems in Procedural Content Generation for Games [0.6882042556551609]
  プロシージャコンテンツ生成(Procedural Content Generation、PCG)とは、アルゴリズムによるゲームコンテンツの自動生成である。 これらの手法の特殊クラスは検索ベースPCGと呼ばれ、与えられたタスクを最適化問題として扱う。 本稿では,定義した最適化問題に関するより多くの情報を得ることで,コンテンツ生成へのアプローチ方法の理解を大幅に改善できることを実証する。
  論文  参考訳（メタデータ） (2023-02-16T18:38:36Z)
• TegTok: Augmenting Text Generation via Task-specific and Open-world Knowledge [83.55215993730326]
  本稿では,タスク固有およびオープンワールド知識(TegTok)によるTExt生成の統一化を提案する。 本モデルでは,2種類の知識ソースからの知識エントリを高密度検索により選択し,それぞれ入力エンコーディングと出力デコーディングの段階に注入する。
  論文  参考訳（メタデータ） (2022-03-16T10:37:59Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• Deep Learning for Procedural Content Generation [14.533560910477693]
  ゲームにおけるコンテンツ生成を中心とした研究分野は10年以上にわたって存在してきた。 ディープ・ラーニングは、コンテンツ制作において顕著な発明を推進してきた。 本稿では,ゲームコンテンツを直接的あるいは間接的に生成するための様々なディープラーニング手法について検討する。
  論文  参考訳（メタデータ） (2020-10-09T13:08:37Z)
• Capturing Local and Global Patterns in Procedural Content Generation via Machine Learning [9.697217570243845]
  機械学習(PCGML)法による最近の手続き的コンテンツ生成により、学習者は既存のコンテンツから類似したコンテンツを生成することができる。 これらのアプローチが対称性のような大規模な視覚パターンをどの程度うまく捉えることができるかは、オープンな疑問である。 本稿では,PCGMLアルゴリズムが適切なパターンを生成する能力について,その領域として3つのゲームにマッチする手法を提案する。
  論文  参考訳（メタデータ） (2020-05-26T08:58:37Z)

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。