論文の概要: Generative Modeling of Individual Behavior at Scale

• arxiv url: http://arxiv.org/abs/2502.14998v1
• Date: Thu, 20 Feb 2025 19:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 19:42:22.876472
• Title: Generative Modeling of Individual Behavior at Scale
• Title（参考訳）: 大規模における個人行動の生成的モデリング
• Authors: Nabil Omi, Lucas Caccia, Anurag Sarkar, Jordan T. Ash, Siddhartha Sen,
• Abstract要約: 我々は,プレイヤーのスタイルベクトルを所望のプロパティに向けて操ることのできるスタイルステアリング技術を開発した。 前例のない規模のチェス(47,864人)とロケットリーグ(2000人)の2つの非常に異なるゲームにアプローチを適用する。
• 参考スコア（独自算出の注目度）: 11.388678390784193
• License:
• Abstract: There has been a growing interest in using AI to model human behavior, particularly in domains where humans interact with this technology. While most existing work models human behavior at an aggregate level, our goal is to model behavior at the individual level. Recent approaches to behavioral stylometry -- or the task of identifying a person from their actions alone -- have shown promise in domains like chess, but these approaches are either not scalable (e.g., fine-tune a separate model for each person) or not generative, in that they cannot generate actions. We address these limitations by framing behavioral stylometry as a multi-task learning problem -- where each task represents a distinct person -- and use parameter-efficient fine-tuning (PEFT) methods to learn an explicit style vector for each person. Style vectors are generative: they selectively activate shared "skill" parameters to generate actions in the style of each person. They also induce a latent space that we can interpret and manipulate algorithmically. In particular, we develop a general technique for style steering that allows us to steer a player's style vector towards a desired property. We apply our approach to two very different games, at unprecedented scales: chess (47,864 players) and Rocket League (2,000 players). We also show generality beyond gaming by applying our method to image generation, where we learn style vectors for 10,177 celebrities and use these vectors to steer their images.
• Abstract（参考訳）: 特に人間がこの技術と対話する領域では、AIを使って人間の振る舞いをモデル化することへの関心が高まっている。 既存の作業の多くは、人間の振る舞いを集約レベルでモデル化しますが、私たちの目標は、個々のレベルでの振る舞いをモデル化することにあります。 行動スタイメトリー(行動のみから人を特定するタスク)に対する最近のアプローチは、チェスのようなドメインで約束されているが、これらのアプローチは、(例えば、個人ごとに個別のモデルを微調整する)スケーラブルでないか、あるいは生成的でないかのどちらかで、アクションを生成できない。 本研究では,これらの制約に対処するために,各タスクが別人を表すマルチタスク学習問題として振舞い,パラメータ効率のよい微調整(PEFT)手法を用いて,各人の明示的なスタイルベクトルを学習する。 スタイルベクトルは生成的であり、共有された"スキル"パラメータを選択的に活性化し、各人のスタイルでアクションを生成する。 彼らはまた、アルゴリズムを解釈し操作できる潜在空間を誘導する。 特に,プレイヤーのスタイルベクトルを所望の特性に向けて操ることのできるスタイルステアリングの汎用技術を開発した。 我々は,チェス(47,864人)とロケットリーグ(2,000人)という,非常に異なる2つのゲームにアプローチを適用した。 また,この手法を画像生成に適用し,有名人10,177人のスタイルベクターを学習し,それらのベクターを用いて画像のステアリングを行うことにより,ゲームを超えて汎用性を示す。

関連論文リスト

• Hand-Object Interaction Pretraining from Videos [77.92637809322231]
  我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。 人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。 我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
  論文  参考訳（メタデータ） (2024-09-12T17:59:07Z)
• Promptable Behaviors: Personalizing Multi-Objective Rewards from Human Preferences [53.353022588751585]
  本稿では,ロボットエージェントの多種多様な嗜好に対する効率的なパーソナライズを促進する新しいフレームワークであるPromptable Behaviorsを紹介する。 我々は、異なるタイプの相互作用を活用することによって、人間の嗜好を推測する3つの異なる方法を紹介した。 本稿では,ProcTHOR と Robothor のナビゲーションタスクをパーソナライズしたオブジェクトゴールナビゲーションおよびエスケープナビゲーションタスクにおいて,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2023-12-14T21:00:56Z)
• Towards Generalizable Zero-Shot Manipulation via Translating Human Interaction Plans [58.27029676638521]
  我々は、人間の受動的ビデオが、そのようなジェネラリストロボットを学習するための豊富なデータ源であることを示す。 我々は、シーンの現在の画像とゴール画像から将来の手やオブジェクトの設定を予測する人間の計画予測器を学習する。 学習システムは、40個のオブジェクトに一般化する16以上の操作スキルを実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:54:12Z)
• Generation of Games for Opponent Model Differentiation [2.164100958962259]
  これまでの結果から,人間の振る舞いをモデル化することで,アルゴリズムの性能が大幅に向上することが示唆された。 本研究では、悪意ある行為を行う可能性を高める人格タイプを特定する心理学者によって収集されたデータを用いる。 私たちはそのパラメータと心理的特徴を結びつける新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2023-11-28T13:45:03Z)
• Task-Oriented Human-Object Interactions Generation with Implicit Neural Representations [61.659439423703155]
  TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成 本手法は時間座標のみでパラメータ化される連続運動を生成する。 この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
  論文  参考訳（メタデータ） (2023-03-23T09:31:56Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• Neural Novel Actor: Learning a Generalized Animatable Neural Representation for Human Actors [98.24047528960406]
  本稿では,複数の人物の多視点画像のスパース集合から,汎用的アニマタブルなニューラル表現を学習するための新しい手法を提案する。 学習された表現は、カメラのスパースセットから任意の人の新しいビューイメージを合成し、さらにユーザのポーズ制御でアニメーション化することができる。
  論文  参考訳（メタデータ） (2022-08-25T07:36:46Z)
• Detecting Individual Decision-Making Style: Exploring Behavioral Stylometry in Chess [4.793072503820555]
  チェスの文脈における行動スタイメトリーに対するトランスフォーマーに基づくアプローチを提案する。 本手法は,数発の分類フレームワークで動作し,数千人の候補選手の中から選手を正確に識別することができる。 我々は、チェスにおける人間のスタイルと潜在的な倫理的意味について、結果の埋め込みが明らかにするものをより広く検討する。
  論文  参考訳（メタデータ） (2022-08-02T11:18:16Z)
• Stochastic Scene-Aware Motion Prediction [41.6104600038666]
  本稿では,対象物に対して所定の動作を行う異なるスタイルをモデル化する,データ駆動合成動作法を提案する。 SAMP (Scene Aware Motion Prediction) と呼ばれる本手法は, 様々なジオメトリ対象を対象とし, キャラクタが散らばったシーンで移動できるように一般化する。
  論文  参考訳（メタデータ） (2021-08-18T17:56:17Z)
• Learning Models of Individual Behavior in Chess [4.793072503820555]
  チェスにおける個人行動の高精度な予測モデルを構築した。 私たちの研究は、AIシステムを個人の行動とよりよく一致させる方法を示しています。
  論文  参考訳（メタデータ） (2020-08-23T18:24:21Z)

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。