論文の概要: NeuroPAL: Punctuated Anytime Learning with Neuroevolution for Macromanagement in Starcraft: Brood War

• arxiv url: http://arxiv.org/abs/2506.10384v1
• Date: Thu, 12 Jun 2025 06:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.598866
• Title: NeuroPAL: Punctuated Anytime Learning with Neuroevolution for Macromanagement in Starcraft: Brood War
• Title（参考訳）: NeuroPAL: スタークラフトのマクロマネジメントのための神経進化学習
• Authors: Jim O'Connor, Yeonghun Lee, Gary B Parker,
• Abstract要約: 進化的学習の効率を向上させるために、神経進化的トポロジ(NEAT)とPunctuated Anytime Learning(PAL)を統合した神経進化的フレームワークであるNeuroPALを紹介する。 我々は、StarCraft: Brood Warの固定マップ・シングルレースシナリオでNeuroPALを評価し、その性能をNEATベースのトレーニングと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: StarCraft: Brood War remains a challenging benchmark for artificial intelligence research, particularly in the domain of macromanagement, where long-term strategic planning is required. Traditional approaches to StarCraft AI rely on rule-based systems or supervised deep learning, both of which face limitations in adaptability and computational efficiency. In this work, we introduce NeuroPAL, a neuroevolutionary framework that integrates Neuroevolution of Augmenting Topologies (NEAT) with Punctuated Anytime Learning (PAL) to improve the efficiency of evolutionary training. By alternating between frequent, low-fidelity training and periodic, high-fidelity evaluations, PAL enhances the sample efficiency of NEAT, enabling agents to discover effective strategies in fewer training iterations. We evaluate NeuroPAL in a fixed-map, single-race scenario in StarCraft: Brood War and compare its performance to standard NEAT-based training. Our results show that PAL significantly accelerates the learning process, allowing the agent to reach competitive levels of play in approximately half the training time required by NEAT alone. Additionally, the evolved agents exhibit emergent behaviors such as proxy barracks placement and defensive building optimization, strategies commonly used by expert human players. These findings suggest that structured evaluation mechanisms like PAL can enhance the scalability and effectiveness of neuroevolution in complex real-time strategy environments.
• Abstract（参考訳）: StarCraft: Brood Warは、特に長期的な戦略的計画が必要なマクロ管理分野において、人工知能研究の挑戦的なベンチマークであり続けている。 StarCraft AIの従来のアプローチはルールベースのシステムや教師付きディープラーニングに依存しており、どちらも適応性と計算効率の制限に直面している。 本研究では, 神経進化的トポロジ(NEAT)とPunctuated Anytime Learning(PAL)を統合し, 進化学習の効率化を図る神経進化的フレームワークであるNeuroPALを紹介する。 頻繁、低忠実度トレーニングと周期的、高忠実度評価とを交互に組み合わせることで、PALはNEATのサンプル効率を高め、エージェントがより少ないトレーニングイテレーションで効果的な戦略を発見できるようにする。 我々は、StarCraft: Brood Warの固定マップ・シングルレースシナリオでNeuroPALを評価し、その性能をNEATベースのトレーニングと比較した。 その結果, PALは学習過程を著しく加速し, NEAT単独のトレーニング時間の半分程度で, エージェントが競技レベルに到達できることが示唆された。 さらに、進化したエージェントは、プロキシ・バラックの配置や防御的なビルディングの最適化といった創発的な行動を示す。 これらの結果は、PALのような構造化評価機構は、複雑なリアルタイム戦略環境における神経進化のスケーラビリティと有効性を高めることができることを示唆している。

関連論文リスト

• AVA: Attentive VLM Agent for Mastering StarCraft II [56.07921367623274]
  Intentive VLM Agent (AVA) は、人工エージェントの認識と人間のゲームプレイ体験を一致させるマルチモーダルのStarCraft IIエージェントである。 我々のエージェントは、ゲームプレイ中に人間の認知過程をより密にシミュレートするRGB視覚入力と自然言語観察を組み込むことにより、この制限に対処する。
  論文  参考訳（メタデータ） (2025-03-07T12:54:25Z)
• Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks [69.2642802272367]
  スパイクニューラルネットワーク(SNN)を用いた脳誘発ニューロモルフィックコンピューティングは、有望なエネルギー効率の計算手法である。 最近の手法では、空間的および時間的バックプロパゲーション(BP)を利用しており、ニューロモルフィックの性質に固執していない。 オンライン擬似ゼロオーダートレーニング(OPZO)を提案する。
  論文  参考訳（メタデータ） (2024-07-17T12:09:00Z)
• SwarmBrain: Embodied agent for real-time strategy game StarCraft II via large language models [1.235958663217432]
  本研究の目的は,大規模言語モデル(LLM)がリアルタイム戦略戦争タスクの実行に与える影響を検討することである。 本稿では,StarCraft II ゲーム環境におけるリアルタイム戦略実装に LLM を活用する具体的エージェントである SwarmBrain を紹介する。 実験結果から,SwarmBrainの経済増進,領土拡大,戦術定式化を行う能力が示された。
  論文  参考訳（メタデータ） (2024-01-31T11:14:29Z)
• Efficient Deep Reinforcement Learning with Predictive Processing Proximal Policy Optimization [3.0217238755526057]
  センサ状態を予測するリカレントニューラルネットワークは,サプライズを最小化するために有効であることを示す。 本稿では,P4O(Predictive Processing Proximal Policy Optimization)エージェントを提案する。 これは、世界モデルを隠れた状態に統合することで、PPOアルゴリズムの繰り返し変種に予測処理を適用する。
  論文  参考訳（メタデータ） (2022-11-11T14:30:59Z)
• Enhancing Adversarial Training with Feature Separability [52.39305978984573]
  本稿では,特徴分離性を備えた対人訓練(ATFS)により,クラス内特徴の類似性を向上し,クラス間特徴分散を増大させることができる,新たな対人訓練グラフ(ATG)を提案する。 包括的な実験を通じて、提案したATFSフレームワークがクリーンかつロバストなパフォーマンスを著しく改善することを示した。
  論文  参考訳（メタデータ） (2022-05-02T04:04:23Z)
• LAS-AT: Adversarial Training with Learnable Attack Strategy [82.88724890186094]
  LAS-ATと呼ばれる「学習可能な攻撃戦略」は、モデル堅牢性を改善するための攻撃戦略を自動生成することを学ぶ。 当社のフレームワークは,強靭性向上のためのトレーニングにAEを使用するターゲットネットワークと,AE生成を制御するための攻撃戦略を生成する戦略ネットワークで構成されている。
  論文  参考訳（メタデータ） (2022-03-13T10:21:26Z)
• Towards Scaling Difference Target Propagation by Learning Backprop Targets [64.90165892557776]
  Different Target Propagationは,Gauss-Newton(GN)最適化と密接な関係を持つ生物学的に証明可能な学習アルゴリズムである。 本稿では、DTPがBPを近似し、階層的なフィードバックウェイトトレーニングを復元できる新しいフィードバックウェイトトレーニング手法を提案する。 CIFAR-10 と ImageNet 上で DTP が達成した最高の性能について報告する。
  論文  参考訳（メタデータ） (2022-01-31T18:20:43Z)
• Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
  人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。 RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。 この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
  論文  参考訳（メタデータ） (2021-12-17T16:28:06Z)
• An Efficient Application of Neuroevolution for Competitive Multiagent Learning [0.0]
  NEATは、最高のパフォーマンスのニューラルネットワークアーキテクチャを得るために使われる一般的な進化戦略である。 本稿では, NEATアルゴリズムを用いて, 変形したポンポンゲーム環境において, 競争力のあるマルチエージェント学習を実現する。
  論文  参考訳（メタデータ） (2021-05-23T10:34:48Z)
• Regularized Evolutionary Population-Based Training [11.624954122221562]
  本稿では、DNNの重みのトレーニングと損失関数のメタラーニングをインターリーブするEPBT(Population-Based Training)アルゴリズムを提案する。 EPBTは画像分類ベンチマークを高速かつ正確に学習する。
  論文  参考訳（メタデータ） (2020-02-11T06:28:13Z)

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。