Fugu-MT 論文翻訳(概要): Bayesian Optimization-based Search for Agent Control in Automated Game Testing

論文の概要: Bayesian Optimization-based Search for Agent Control in Automated Game Testing

arxiv url: http://arxiv.org/abs/2508.13121v1
Date: Mon, 18 Aug 2025 17:24:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:11.513179
Title: Bayesian Optimization-based Search for Agent Control in Automated Game Testing
Title（参考訳）: 自動ゲームテストにおけるエージェント制御のためのベイズ最適化に基づく探索
Authors: Carlos Celemin,
Abstract要約: この研究は、ゲームレベルの潜在的なバグを検出するために、エージェントがゲームキャラクタを制御する自動テスト手法を導入する。これまでに収集したデータを解析して次のサンプリングポイントを決定し、情報取得を最大化するデータポイントを算出する。
参考スコア（独自算出の注目度）: 0.4895118383237099
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work introduces an automated testing approach that employs agents controlling game characters to detect potential bugs within a game level. Harnessing the power of Bayesian Optimization (BO) to execute sample-efficient search, the method determines the next sampling point by analyzing the data collected so far and calculates the data point that will maximize information acquisition. To support the BO process, we introduce a game testing-specific model built on top of a grid map, that features the smoothness and uncertainty estimation required by BO, however and most importantly, it does not suffer the scalability issues that traditional models carry. The experiments demonstrate that the approach significantly improves map coverage capabilities in both time efficiency and exploration distribution.
Abstract（参考訳）: この研究は、ゲームレベルの潜在的なバグを検出するために、エージェントがゲームキャラクタを制御する自動テスト手法を導入する。サンプル効率の高い探索を行うためにベイズ最適化(BO)のパワーを損なうことなく、これまでに収集したデータを解析して次のサンプリングポイントを決定し、情報取得を最大化するデータポイントを算出する。 BOプロセスを支援するために,グリッドマップ上に構築されたゲームテスト専用モデルを導入し,BOが要求するスムーズさと不確実性を考慮した推定を行う。実験により, この手法は時間効率と探索分布の双方において, 地図のカバレッジ能力を大幅に改善することを示した。

関連論文リスト

SubSearch: Robust Estimation and Outlier Detection for Stochastic Block Models via Subgraph Search [2.082364067210557]
本稿では,SBMパラメータを頑健に推定するアルゴリズムを提案する。また,本手法は外れ値検出手法として機能し,グラフがモデルから逸脱する原因となるノードを適切に同定し,高次ノードを刈り取るといった単純な手法を克服する。
論文参考訳（メタデータ） (2025-06-04T07:47:25Z)
Entropy-Based Adaptive Weighting for Self-Training [15.089334734753677]
自己学習のためのエントロピーに基づく適応重み付け(EAST)を提案する。 EASTは、自己学習中に不確実なデータを優先順位付けするために設計された適応的な重み付け戦略である。我々はGSM8KおよびMATHベンチマークに対するアプローチを評価する。
論文参考訳（メタデータ） (2025-03-31T10:04:35Z)
A Bayesian Approach to Data Point Selection [24.98069363998565]
データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。 DPSに対する新しいベイズ的アプローチを提案する。
論文参考訳（メタデータ） (2024-11-06T09:04:13Z)
BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
本稿では,テスト時間適応フレームワークを提案する。我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
論文参考訳（メタデータ） (2024-10-20T15:58:43Z)
Active Finetuning: Exploiting Annotation Budget in the Pretraining-Finetuning Paradigm [132.9949120482274]
本稿では,事前学習ファインタニングパラダイムにおけるアノテーションのためのサンプルの選択に焦点を当てる。本研究では,アクティブな微調整タスクのためのActiveFTと呼ばれる新しい手法を提案する。画像分類とセマンティックセグメンテーションの両方に基づくベースラインよりも優れたActiveFTの先行性能と高効率性を示す。
論文参考訳（メタデータ） (2023-03-25T07:17:03Z)
MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文参考訳（メタデータ） (2023-02-09T12:06:08Z)
Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
論文参考訳（メタデータ） (2022-11-08T19:00:00Z)
Task Agnostic and Post-hoc Unseen Distribution Detection [27.69612483621752]
本稿では,タスク非依存かつポストホックな未確認分布検出(TAPUDD)手法を提案する。トレーニングデータセットの特徴をクラスタ化し、すべてのクラスタからテストサンプルの最小マハラノビス距離を決定するTAP-Mahalanobisで構成されている。提案手法は,多様なタスクにまたがる未知のサンプルを効果的に検出し,既存のベースラインと同等あるいは同等に動作することを示す。
論文参考訳（メタデータ） (2022-07-26T17:55:15Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Using Distance Correlation for Efficient Bayesian Optimization [0.0]
距離相関と呼ばれる2つの確率変数の相関関係の統計的尺度とBOを統合したBOスキームBDCを提案する。 BDCの探索は自動的にバランスと利用のバランスを保ち、手動のハイパーパラメータチューニングを必要としない。我々はBDCを様々なベンチマークテストで評価し、一般的なBO法と同等に動作することを観察する。
論文参考訳（メタデータ） (2021-02-17T19:37:35Z)
CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。