論文の概要: Controllable Game Level Generation: Assessing the Effect of Negative Examples in GAN Models

• arxiv url: http://arxiv.org/abs/2410.23108v1
• Date: Wed, 30 Oct 2024 15:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:28:29.233275
• Title: Controllable Game Level Generation: Assessing the Effect of Negative Examples in GAN Models
• Title（参考訳）: 制御可能なゲームレベル生成:GANモデルにおける負の例の効果の評価
• Authors: Mahsa Bazzaz, Seth Cooper,
• Abstract要約: GAN(Generative Adversarial Networks)は、ターゲット分布の学習と複製を目的とした教師なしモデルである。 Conditional Generative Adversarial Networks (CGAN) は、ジェネレータと識別器の両方を追加情報に条件付けすることでバニラGANを拡張する。 Rumi-GANは負の例を利用して、前向きな例を学習するジェネレータの能力を高める。
• 参考スコア（独自算出の注目度）: 3.2228025627337864
• License:
• Abstract: Generative Adversarial Networks (GANs) are unsupervised models designed to learn and replicate a target distribution. The vanilla versions of these models can be extended to more controllable models. Conditional Generative Adversarial Networks (CGANs) extend vanilla GANs by conditioning both the generator and discriminator on some additional information (labels). Controllable models based on complementary learning, such as Rumi-GAN, have been introduced. Rumi-GANs leverage negative examples to enhance the generator's ability to learn positive examples. We evaluate the performance of two controllable GAN variants, CGAN and Rumi-GAN, in generating game levels targeting specific constraints of interest: playability and controllability. This evaluation is conducted under two scenarios: with and without the inclusion of negative examples. The goal is to determine whether incorporating negative examples helps the GAN models avoid generating undesirable outputs. Our findings highlight the strengths and weaknesses of each method in enforcing the generation of specific conditions when generating outputs based on given positive and negative examples.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は、ターゲット分布の学習と複製を目的とした教師なしモデルである。 これらのモデルのバニラバージョンは、より制御可能なモデルに拡張することができる。 Conditional Generative Adversarial Networks (CGAN) は、ジェネレータと識別器の両方に追加情報(ラベル)を条件にすることでバニラGANを拡張する。 Rumi-GANのような補完学習に基づく制御可能なモデルが導入された。 Rumi-GANは負の例を利用して、前向きな例を学習するジェネレータの能力を高める。 本研究の目的は,ゲームレベルの生成において,CGANとRumi-GANの2つの制御可能なGANモデルの性能を評価することである。 この評価は2つのシナリオ(負の例を含まない場合と含まない場合)で実施される。 目的は、ネガティブな例を取り入れることで、GANモデルが望ましくないアウトプットの発生を回避できるかどうかを判断することである。 本研究は, 与えられた正および負の例に基づいて出力を生成する場合に, 特定の条件を発生させる際の各手法の長所と短所を強調した。

関連論文リスト

• A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
  ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。 本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。 また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T18:18:37Z)
• Adapt then Unlearn: Exploiting Parameter Space Semantics for Unlearning in Generative Adversarial Networks [5.479797073162603]
  GANのパラメータ空間は、特定の望ましくない特徴を抑えるために活用できる有意義な方向を示す。 提案手法は「Adapt-then-Unlearn」と呼ばれ、望ましくない特徴を学習すると同時に、生成したサンプルの品質も維持する。 本手法は,初期段階において,ユーザが提供した負のサンプルを用いて事前学習したGANを適応させ,その後段階において,望ましくない特徴を学習することに集中する。
  論文  参考訳（メタデータ） (2023-09-25T11:36:20Z)
• Generative Visual Prompt: Unifying Distributional Control of Pre-Trained Generative Models [77.47505141269035]
  Generative Visual Prompt (PromptGen) は、事前訓練された生成モデルの分散制御のためのフレームワークである。 PromptGenはエネルギーベースモデル(EBM)を近似し、フィードフォワード方式で画像をサンプリングする。 コードはhttps://github.com/ChenWu98/Generative-Visual-Prompt.comで入手できる。
  論文  参考訳（メタデータ） (2022-09-14T22:55:18Z)
• Learning From Positive and Unlabeled Data Using Observer-GAN [0.0]
  正・未ラベルデータ(A.K.A. PU学習)から学習することの問題は、二項分類(正・負)において研究されている。 GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点を生かして、教師あり設定に問題を還元するために使用されている。
  論文  参考訳（メタデータ） (2022-08-26T07:35:28Z)
• UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs [9.496524884855559]
  本稿では,GAN(Generative Adversarial Network)に基づく画像分類におけるディープニューラルネットワークの不確実性の定量化手法を提案する。 GAN の生成した OoD の例で分散データの全体を保護する代わりに,条件付き GAN によって生成されたクラスを別々に保護する。 特に、最先端のGAN学習に基づく分類器のOoD検出とFP検出性能を改善した。
  論文  参考訳（メタデータ） (2022-01-31T14:42:35Z)
• The Hidden Tasks of Generative Adversarial Networks: An Alternative Perspective on GAN Training [1.964574177805823]
  我々は、GAN(Generative Adversarial Network)のトレーニングに関する代替的視点を示す。 GANジェネレータのトレーニングステップが2つの暗黙のサブプロブレムに分解されることを示す。 本研究は,本研究の主な理論的成果を実験的に検証し,代替トレーニング手法の意義について考察する。
  論文  参考訳（メタデータ） (2021-01-28T08:17:29Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
  GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。 本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。 我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
  論文  参考訳（メタデータ） (2020-04-05T01:50:16Z)

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。