論文の概要: Expanding Horizons of Level Diversity via Multi-objective Evolutionary Learning

• arxiv url: http://arxiv.org/abs/2509.24341v1
• Date: Mon, 29 Sep 2025 06:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.790646
• Title: Expanding Horizons of Level Diversity via Multi-objective Evolutionary Learning
• Title（参考訳）: 多目的進化学習によるレベル多様性のホライズン拡大
• Authors: Qingquan Zhang, Ziqi Wang, Yuchen Li, Keyuan Zhang, Bo Yuan, Jialin Liu,
• Abstract要約: 本稿では,生成モデルの訓練において,多次元の多様性を考慮し,レベル多様性の地平を広げることを目的とする。 モデルトレーニングを多目的学習問題として定式化し、各多様性指標を個別の目的として扱う。 モデル学習プロセスを通して複数の多様性指標を同時に最適化する多目的進化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.755666953578336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the generation of diverse game levels has gained increasing interest, contributing to a richer and more engaging gaming experience. A number of level diversity metrics have been proposed in literature, which are naturally multi-dimensional, leading to conflicted, complementary, or both relationships among these dimensions. However, existing level generation approaches often fail to comprehensively assess diversity across those dimensions. This paper aims to expand horizons of level diversity by considering multi-dimensional diversity when training generative models. We formulate the model training as a multi-objective learning problem, where each diversity metric is treated as a distinct objective. Furthermore, a multi-objective evolutionary learning framework that optimises multiple diversity metrics simultaneously throughout the model training process is proposed. Our case study on the commonly used benchmark Super Mario Bros. demonstrates that our proposed framework can enhance multi-dimensional diversity and identify a Pareto front of generative models, which provides a range of tradeoffs among playability and two representative diversity metrics, including a content-based one and a player-centered one. Such capability enables decision-makers to make informed choices when selecting generators accommodating a variety of scenarios and the diverse needs of players and designers.
• Abstract（参考訳）: 近年、多様なゲームレベルの創出が関心を増し、より豊かで魅力的なゲーム体験に寄与している。 文学において様々なレベルの多様性の指標が提案されており、これは自然に多次元であり、これらの次元間の矛盾、相補的、あるいは両方の関係をもたらす。 しかし、既存のレベル生成アプローチは、これらの次元の多様性を包括的に評価することができないことが多い。 本稿では,生成モデルの訓練において,多次元の多様性を考慮し,レベル多様性の地平を広げることを目的とする。 モデルトレーニングを多目的学習問題として定式化し、各多様性指標を個別の目的として扱う。 さらに,モデル学習プロセスを通して,複数の多様性指標を同時に最適化する多目的進化学習フレームワークを提案する。 一般的なベンチマークであるSuper Mario Bros.のケーススタディでは,提案するフレームワークが多次元の多様性を高め,生成モデルのParetoフロントを識別できることが示されている。 このような能力により、意思決定者は様々なシナリオと様々なプレイヤーやデザイナーのニーズを満たすジェネレータを選択する際に、情報的な選択をすることができる。

関連論文リスト

• VendiRL: A Framework for Self-Supervised Reinforcement Learning of Diversely Diverse Skills [0.0]
  自己指導型強化学習(RL)において、重要な課題の1つは、未知の将来のタスクに備える多様なスキルセットを学ぶことである。 本稿では,多様なスキルセットを学習する統合フレームワークであるVendiRLを紹介する。
  論文  参考訳（メタデータ） (2025-09-03T01:53:29Z)
• Evaluating the Diversity and Quality of LLM Generated Content [72.84945252821908]
  品質閾値を満たす出力間の効果的な意味的多様性を測定するための枠組みを導入する。 嗜好調整モデルでは語彙的および構文的多様性が低下するが、SFTやベースモデルよりも効果的な意味的多様性が得られる。 これらの発見は、多種多様な高品質な出力を必要とするアプリケーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-04-16T23:02:23Z)
• Measuring Diversity of Game Scenarios [11.859929416550754]
  我々は,現在の文学と実践のギャップを埋めることを目指しており,ゲームシナリオにおける多様性の測定と統合のための効果的な戦略に関する洞察を提供する。 この調査は、様々なゲームシナリオにおける将来の研究の道筋を示すだけでなく、多様性をゲームデザインと開発の重要な要素として活用しようとする業界の実践者のためのハンドブックとしても機能する。
  論文  参考訳（メタデータ） (2024-04-15T07:59:52Z)
• Diversify Question Generation with Retrieval-Augmented Style Transfer [68.00794669873196]
  本稿では,検索型スタイル転送のためのフレームワーク RAST を提案する。 本研究の目的は,多様なテンプレートのスタイルを質問生成に活用することである。 多様性報酬と一貫性報酬の重み付けを最大化する新しい強化学習(RL)ベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2023-10-23T02:27:31Z)
• Channel Exchanging Networks for Multimodal and Multitask Dense Image Prediction [125.18248926508045]
  本稿では,マルチモーダル融合とマルチタスク学習の両方に適用可能な,自己適応的でパラメータフリーなチャネル交換ネットワーク(CEN)を提案する。 CENは異なるモダリティのワーク間でチャネルを動的に交換する。 濃密な画像予測を応用するために、CENの有効性は4つの異なるシナリオで検証される。
  論文  参考訳（メタデータ） (2021-12-04T05:47:54Z)
• Unifying Behavioral and Response Diversity for Open-ended Learning in Zero-sum Games [44.30509625560908]
  オープンエンド学習アルゴリズムでは、多様性の定義が広く受け入れられておらず、多様なポリシーの構築と評価が困難である。 行動多様性(BD)と反応多様性(RD)の両方に基づくマルチエージェントオープンエンド学習における多様性の統一尺度を提案する。 現在,多くの多様性対策が,BDやRDのカテゴリの1つに該当するが,両方ではないことを示す。 この統一された多様性尺度を用いて、オープンエンド学習における最良の応答を求める際に、対応する多様性促進目標と人口効果度を設計する。
  論文  参考訳（メタデータ） (2021-06-09T10:11:06Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)

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。