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
- 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) - Cross-Data Knowledge Graph Construction for LLM-enabled Educational Question-Answering System: A Case Study at HCMUT [2.8000537365271367]
大規模言語モデル(LLM)は活発な研究トピックとして現れている。
LLMはイベントの記憶、新しい情報の導入、ドメイン固有の問題や幻覚への対処において課題に直面している。
本稿では,複数のデータソースから知識グラフを自動的に構築する手法を提案する。
論文 参考訳(メタデータ) (2024-04-14T16:34:31Z) - Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
情報抽出は、平易な自然言語テキストから構造的知識を抽出することを目的としている。
生成型大規模言語モデル(LLM)は、テキストの理解と生成において顕著な能力を示した。
LLMは生成パラダイムに基づいたIEタスクに対して実行可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-12-29T14:25:22Z) - Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。
関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。
本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文 参考訳(メタデータ) (2023-10-13T07:40:12Z) - 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) - Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。
本稿では,更新ルール全体を検出するメタラーニング手法を提案する。
これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文 参考訳(メタデータ) (2020-07-17T07:38:39Z) - 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。