Fugu-MT 論文翻訳(概要): Guided Game Level Repair via Explainable AI

論文の概要: Guided Game Level Repair via Explainable AI

arxiv url: http://arxiv.org/abs/2410.23101v1
Date: Wed, 30 Oct 2024 15:12:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-31 14:28:29.572733
Title: Guided Game Level Repair via Explainable AI
Title（参考訳）: 説明可能なAIによるガイド付きゲームレベルの修復
Authors: Mahsa Bazzaz, Seth Cooper,
Abstract要約: 機械学習モデルによって生成された手続き的に生成されたレベルは、さらなる編集なしでは解決できない。本稿では,その解決不可能性に寄与するレベルの特定領域を特定するための説明可能性手法を提案する。 3つのゲームでテストした結果、このアプローチは手続き的に生成されたレベルを高速に修復するのに役立つことが実証された。
参考スコア（独自算出の注目度）: 3.2228025627337864
License:
Abstract: Procedurally generated levels created by machine learning models can be unsolvable without further editing. Various methods have been developed to automatically repair these levels by enforcing hard constraints during the post-processing step. However, as levels increase in size, these constraint-based repairs become increasingly slow. This paper proposes using explainability methods to identify specific regions of a level that contribute to its unsolvability. By assigning higher weights to these regions, constraint-based solvers can prioritize these problematic areas, enabling more efficient repairs. Our results, tested across three games, demonstrate that this approach can help to repair procedurally generated levels faster.
Abstract（参考訳）: 機械学習モデルによって生成された手続き的に生成されたレベルは、さらなる編集なしでは解決できない。後処理段階に厳しい制約を課すことにより,これらのレベルを自動的に修復する様々な方法が開発されている。しかし、レベルが大きくなるにつれて、これらの制約ベースの修復は徐々に遅くなっていく。本稿では,その解決不可能性に寄与するレベルの特定領域を特定するための説明可能性手法を提案する。これらの領域に重みを割り当てることで、制約ベースの解法がこれらの問題領域を優先順位付けし、より効率的な修復を可能にする。 3つのゲームでテストした結果、このアプローチは手続き的に生成されたレベルを高速に修復するのに役立つことが実証された。

関連論文リスト

HiPrompt: Tuning-free Higher-Resolution Generation with Hierarchical MLLM Prompts [77.62320553269615]
HiPromptは高解像度画像生成のためのチューニング不要のソリューションである。階層的なプロンプトはグローバルとローカルの両方のガイダンスを提供する生成された画像は、高定義のコヒーレントな局所的および大域的意味論、構造、テクスチャを保持する。
論文参考訳（メタデータ） (2024-09-04T17:58:08Z)
Learning Task Decomposition to Assist Humans in Competitive Programming [90.4846613669734]
タスク分解学習のための新しい目的,いわゆる値(AssistV)を導入する。我々は、さまざまな分解されたソリューションに対して、人間の修理経験のデータセットを収集する。人間の177時間以内の研究では、非専門家が33.3%の問題を解き、それらを3.3倍スピードアップさせ、無支援の専門家にマッチさせる権限を与える。
論文参考訳（メタデータ） (2024-06-07T03:27:51Z)
Heterogeneous Continual Learning [88.53038822561197]
本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
論文参考訳（メタデータ） (2023-06-14T15:54:42Z)
Combining Evolutionary Search with Behaviour Cloning for Procedurally Generated Content [2.7412662946127755]
ゲームレベルの手続き的コンテンツ生成の問題について考察する。従来のアプローチは、多様なレベルを生成することができる進化探索(ES)手法に依存していた。本稿では,ESとRLの長所を組み合わせた手続き的コンテンツ生成問題に対処する枠組みを提案する。
論文参考訳（メタデータ） (2022-07-29T16:25:52Z)
ArchRepair: Block-Level Architecture-Oriented Repairing for Deep Neural Networks [13.661704974188872]
本稿では,ブロックレベルでのディープニューラルネットワーク(DNN)の新たな修復方向を提案する。本稿では,脆弱なブロックローカライゼーションのための逆アウェアスペクトル分析法を提案する。また,対象のブロックを連続的に修復する検索空間に緩和するアーキテクチャ指向の検索ベース修復を提案する。
論文参考訳（メタデータ） (2021-11-26T06:35:15Z)
Physical Gradients for Deep Learning [101.36788327318669]
最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-30T12:14:31Z)
DC3: A learning method for optimization with hard constraints [85.12291213315905]
この問題に対処するアルゴリズムとして,Deep Constraint Completion and Correction (DC3)を提案する。 DC3は、等式制約を満たす部分解と不等式制約を満たすアンロールベースの補正を暗黙的に完成する。合成最適化タスクとAC最適電力流の実世界設定の両方でDC3の有効性を実証します。
論文参考訳（メタデータ） (2021-04-25T18:21:59Z)
CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
論文参考訳（メタデータ） (2021-02-24T09:16:10Z)
Video Game Level Repair via Mixed Integer Linear Programming [20.815591392882716]
提案フレームワークは,人為的な実例で訓練されたGAN(Generative Adversarial Network)を用いてレベルを構築し,遊び性制約のある混合整数線形プログラム(MIP)を用いてそれらを修復する。以上の結果から,提案フレームワークは多種多様なプレイ可能なレベルを生成し,人間に許可されたレベルのオブジェクト間の空間的関係をキャプチャする。
論文参考訳（メタデータ） (2020-10-13T18:37:58Z)
A Novel CNet-assisted Evolutionary Level Repairer and Its Applications to Super Mario Bros [11.366146167882007]
そこで我々は,CNetという新しい手法を提案し,その周囲のタイルを実物レベルで与える確率を学習し,生成した新しいレベルの違法なタイルを検出する。我々のCNet支援進化修復機は、他のゲームにも容易に適用でき、そのレベルはオブジェクトやタイルのマトリックスで表現できる。
論文参考訳（メタデータ） (2020-05-13T04:27:18Z)
PCGRL: Procedural Content Generation via Reinforcement Learning [6.32656340734423]
ゲームにおけるレベル設計エージェントの訓練に強化学習をどのように利用できるかを検討する。設計問題をシーケンシャルなタスクと見なすことで、強化学習を使用して次のアクションを取る方法を学ぶことができる。このアプローチは、トレーニングする例がほとんど、あるいは存在しない場合に使用することができ、トレーニングされたジェネレータは非常に高速である。
論文参考訳（メタデータ） (2020-01-24T22:09:08Z)

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。