論文の概要: JSON-Bag: A generic game trajectory representation

• arxiv url: http://arxiv.org/abs/2508.00712v1
• Date: Fri, 01 Aug 2025 15:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.934814
• Title: JSON-Bag: A generic game trajectory representation
• Title（参考訳）: JSON-Bag: 汎用的なゲームトラジェクトリ表現
• Authors: Dien Nguyen, Diego Perez-Liebana, Simon Lucas,
• Abstract要約: Bag-of-Tokensモデル(JSON-Bag)は、ゲーム軌跡を汎用的に表現する手法である。 本稿では,ゲーム軌跡を汎用的に表現する手法として,Bag-of-Tokensモデル(JSON-Bag)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce JSON Bag-of-Tokens model (JSON-Bag) as a method to generically represent game trajectories by tokenizing their JSON descriptions and apply Jensen-Shannon distance (JSD) as distance metric for them. Using a prototype-based nearest-neighbor search (P-NNS), we evaluate the validity of JSON-Bag with JSD on six tabletop games -- \textit{7 Wonders}, \textit{Dominion}, \textit{Sea Salt and Paper}, \textit{Can't Stop}, \textit{Connect4}, \textit{Dots and boxes} -- each over three game trajectory classification tasks: classifying the playing agents, game parameters, or game seeds that were used to generate the trajectories. Our approach outperforms a baseline using hand-crafted features in the majority of tasks. Evaluating on N-shot classification suggests using JSON-Bag prototype to represent game trajectory classes is also sample efficient. Additionally, we demonstrate JSON-Bag ability for automatic feature extraction by treating tokens as individual features to be used in Random Forest to solve the tasks above, which significantly improves accuracy on underperforming tasks. Finally, we show that, across all six games, the JSD between JSON-Bag prototypes of agent classes highly correlates with the distances between agents' policies.
• Abstract（参考訳）: 本稿では,JSON記述をトークン化してゲーム軌跡を汎用的に表現する手法としてJSON Bag-of-Tokensモデル(JSON-Bag)を導入し,距離測定としてJensen-Shannon distance(JSD)を適用した。 プロトタイプベースのNest-Neighbor Search (P-NNS) を用いて、6つのテーブルトップゲーム -- \textit{7 Wonders}, \textit{Dominion}, \textit{Sea Salt and Paper}, \textit{Can't Stop}, \textit{Connect4}, \textit{Dots and box} -- におけるJSON-Bagの妥当性を評価する。 提案手法は,手作りのタスクの多くにおいて,手作りの機能を用いてベースラインを上回ります。 ゲームトラジェクトリクラスを表現するためにJSON-Bagプロトタイプを使用することを推奨するNショット分類の評価も効率的である。 さらに,トークンをランダムフォレストで使用する個々の特徴として扱うことで,自動機能抽出のためのJSON-Bag機能を示す。 最後に、エージェントクラスのJSON-Bagプロトタイプ間のJSDは、エージェントのポリシー間の距離と非常に相関していることを示す。

関連論文リスト

• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
  本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。 最新のLLMはまだ有効な文字列を生成するのに苦労している。 我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-26T06:45:29Z)
• Interact with me: Joint Egocentric Forecasting of Intent to Interact, Attitude and Social Actions [25.464036307823974]
  SocialEgoNetはグラフベースのフレームワークで、階層的な学習アプローチを通じてタスク依存を利用する。 SocialEgoNetは、高い推論速度のためにビデオ入力のわずか1秒から抽出されたボディスケルトン(顔、手、体からキーポイント)を使用する。 評価のために、新しいクラスラベルとバウンディングボックスアノテーションとの既存のエゴセントリックなヒューマンエージェントインタラクションを強化する。
  論文  参考訳（メタデータ） (2024-12-21T16:54:28Z)
• Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
  スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。 以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。 本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T17:24:28Z)
• Scaling Offline Model-Based RL via Jointly-Optimized World-Action Model Pretraining [49.730897226510095]
  我々は,60億のトークンデータを持つアタリゲーム上で事前訓練されたオフラインモデルベースRLエージェントであるJOWA: Jointly-Reinforceed World-Action Modelを紹介する。 われわれの最大のエージェントは、1億5000万のパラメータを持ち、10%のサブサンプルオフラインデータだけで事前トレーニングされたゲーム上での人間レベルのパフォーマンス78.9%で、既存の最先端の大規模なオフラインRLベースラインを31.6%上回っている。
  論文  参考訳（メタデータ） (2024-10-01T10:25:03Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Zero-Shot Refinement of Buildings' Segmentation Models using SAM [6.110856077714895]
  本稿では,既存モデルの一般化損失に対処するために基礎モデルを適用する新しいアプローチを提案する。 いくつかのモデルの中で、私たちはSegment Anything Model(SAM)に焦点を当てています。 SAMは認識機能を提供しないので、ローカライズされたオブジェクトの分類とタグ付けに失敗する。 この新しいアプローチはSAMを認識能力で強化する。
  論文  参考訳（メタデータ） (2023-10-03T07:19:59Z)
• Dual Lottery Ticket Hypothesis [71.95937879869334]
  Lottery Ticket hypothesis (LTH)は、スパースネットワークトレーニングを調査し、その能力を維持するための新しい視点を提供する。 本稿では,LTHの当選チケットをトレーニング可能なサブネットワークとして,その性能をベンチマークとして検討する。 本稿では,簡単なスパースネットワークトレーニング戦略であるランダムスパースネットワークトランスフォーメーション(RST)を提案し,DLTHを裏付ける。
  論文  参考訳（メタデータ） (2022-03-08T18:06:26Z)
• 6D Object Pose Estimation using Keypoints and Part Affinity Fields [24.126513851779936]
  RGB画像からの6Dオブジェクトのポーズ推定のタスクは、自律型サービスロボットが現実世界と対話できるための重要な要件である。 既知物体の6自由度変換と配向を推定するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-07-05T14:41:19Z)
• Mill.jl and JsonGrinder.jl: automated differentiable feature extraction for learning from raw JSON data [0.0]
  生のデータ入力から学ぶことは、機械学習の手法を成功させるために重要な要素の1つである。 生のデータ入力から学ぶことは、機械学習の手法を成功させるために重要な要素の1つである。
  論文  参考訳（メタデータ） (2021-05-19T13:02:10Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• A Graph Attention Based Approach for Trajectory Prediction in Multi-agent Sports Games [4.29972694729078]
  本研究では,複数の協調エージェントを持つチームの戦略を学習できる空間-時間軌道予測手法を提案する。 特に,グラフに基づく注意モデルを用いてエージェントの依存性を学習する。 2つの異なるスポーツゲームデータセットに対するアプローチの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-18T21:51:43Z)
• Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
  本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。 対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。 提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2020-07-06T03:48:08Z)

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。

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。