論文の概要: Play Style Identification Using Low-Level Representations of Play Traces in MicroRTS

• arxiv url: http://arxiv.org/abs/2507.10172v1
• Date: Mon, 14 Jul 2025 11:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.768981
• Title: Play Style Identification Using Low-Level Representations of Play Traces in MicroRTS
• Title（参考訳）: MicroRTSにおけるプレイトレースの低レベル表現を用いたプレイスタイル同定
• Authors: Ruizhe Yu Xia, Jeremy Gow, Simon Lucas,
• Abstract要約: プレイスタイルの識別は、貴重なゲームデザインの洞察を与え、適応的な体験を可能にする。 これまでの作業は、手作りの機能を使ったプレイトレース表現を構築するためのドメイン知識に依存していた。 本研究では,教師なしCNN-LSTMオートエンコーダモデルを用いて,低レベルプレイトレースデータから直接遅延表現を求める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Play style identification can provide valuable game design insights and enable adaptive experiences, with the potential to improve game playing agents. Previous work relies on domain knowledge to construct play trace representations using handcrafted features. More recent approaches incorporate the sequential structure of play traces but still require some level of domain abstraction. In this study, we explore the use of unsupervised CNN-LSTM autoencoder models to obtain latent representations directly from low-level play trace data in MicroRTS. We demonstrate that this approach yields a meaningful separation of different game playing agents in the latent space, reducing reliance on domain expertise and its associated biases. This latent space is then used to guide the exploration of diverse play styles within studied AI players.
• Abstract（参考訳）: プレイスタイルの識別は、ゲームデザインの貴重な洞察を与え、適応的な体験を可能にし、ゲームプレイエージェントを改善する可能性がある。 これまでの作業は、手作りの機能を使ったプレイトレース表現を構築するためのドメイン知識に依存していた。 最近のアプローチでは、プレイトレースのシーケンシャルな構造が組み込まれているが、それでもある程度のドメイン抽象化が必要である。 本研究では,マイクロRTSの低レベルプレイトレースデータから直接遅延表現を得るために,教師なしCNN-LSTMオートエンコーダモデルを用いて検討する。 このアプローチは、潜在空間における異なるゲームプレイエージェントの有意義な分離をもたらし、ドメインの専門知識と関連するバイアスへの依存を減らすことを実証する。 この潜伏空間は、研究対象のAIプレイヤーの中で様々なプレイスタイルの探索を導くのに使用される。

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)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• CCPT: Automatic Gameplay Testing and Validation with Curiosity-Conditioned Proximal Trajectories [65.35714948506032]
  Curiosity-Conditioned Proximal Trajectories (CCPT)法は、好奇心と模倣学習を組み合わせてエージェントを訓練して探索する。 CCPTが複雑な環境を探索し、ゲームプレイの問題を発見し、その過程におけるデザインの監視を行い、それらをゲームデザイナーに直接認識し、強調する方法について説明する。
  論文  参考訳（メタデータ） (2022-02-21T09:08:33Z)
• An Approach to Partial Observability in Games: Learning to Both Act and Observe [0.0]
  強化学習(RL)は、環境全体が見えるゲームを学ぶのに成功している。 しかし、RLアプローチはStarcraft IIのような複雑なゲームや、環境全体が見えない現実世界環境では挑戦されている。 より限られた視覚情報を持つこれらの複雑なゲームでは、エージェントは、ゲームで成功するためには、どの場所を見るか、どのように制限された視覚情報を使用するかを選択する必要がある。
  論文  参考訳（メタデータ） (2021-08-11T17:45:56Z)
• Semantic Tracklets: An Object-Centric Representation for Visual Multi-Agent Reinforcement Learning [126.57680291438128]
  本研究では,不整合表現によるスケーラビリティの実現について検討する。 視覚多エージェント粒子環境(VMPE)と視覚多エージェントGFootball環境における意味トラックレット'の評価を行った。 特に,この手法は視覚データのみを用いて,GFootball環境における5人のプレイヤーの戦略を学習した最初の方法である。
  論文  参考訳（メタデータ） (2021-08-06T22:19:09Z)
• Rinascimento: searching the behaviour space of Splendor [0.0]
  本研究の目的は,ゲーム内の行動空間(BSpace)を一般手法を用いてマッピングすることである。 特に、イベント値関数の使用は、古典的なスコアベースの報酬信号に基づくエージェントと比較して、BSpaceのカバレッジが著しく改善されている。
  論文  参考訳（メタデータ） (2021-06-15T18:46:57Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• Deep Reinforcement Learning with Stacked Hierarchical Attention for Text-based Games [64.11746320061965]
  自然言語の文脈におけるインタラクティブなシミュレーションであるテキストベースゲームの強化学習について検討する。 エージェントの動作が解釈可能な推論手順によって生成され、支援されるように、意思決定のための知識グラフを用いた明示的な推論を行うことを目指している。 提案手法を多数の人為的ベンチマークゲームで広範囲に評価し,本手法が既存のテキストベースエージェントよりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2020-10-22T12:40:22Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)
• Navigating the Landscape of Multiplayer Games [20.483315340460127]
  大規模ゲームの応答グラフにネットワーク測度を適用することで,ゲームのランドスケープを創出できることを示す。 本研究は, 標準ゲームから複雑な経験ゲームまで, 訓練されたエージェント同士のパフォーマンスを計測する領域における知見について述べる。
  論文  参考訳（メタデータ） (2020-05-04T16:58:17Z)
• Interactive Evolution and Exploration Within Latent Level-Design Space of Generative Adversarial Networks [8.091708140619946]
  潜在変数進化(LVE)は、最近ゲームレベルに適用されている。 本稿では,ゲーム用タイルベースレベルのインタラクティブなLVEツールを提案する。 このツールは、潜伏次元の直接探索も可能で、ユーザーは発見レベルをプレイできる。
  論文  参考訳（メタデータ） (2020-03-31T22:52:17Z)

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。