論文の概要: ORACLE: Orchestrate NPC Daily Activities using Contrastive Learning with Transformer-CVAE

• arxiv url: http://arxiv.org/abs/2603.23933v1
• Date: Wed, 25 Mar 2026 04:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.131811
• Title: ORACLE: Orchestrate NPC Daily Activities using Contrastive Learning with Transformer-CVAE
• Title（参考訳）: ORACLE: Transformer-CVAEを用いたコントラスト学習によるNPCデイリーアクティビティのオーケストレーション
• Authors: Seong-Eun Hong, JuYeong Hwang, RyunHa Lee, HyeongYeop Kang,
• Abstract要約: ORACLEは、現実的な屋内日常生活活動計画の作成のための生成モデルである。 我々は、CASASスマートホームデータセットの24時間室内活動シーケンスを利用する。 実験の結果,NPC活動プラン作成の優位性について検証した。
• 参考スコア（独自算出の注目度）: 2.449909275410288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Non-player characters (NPCs) within digital environments has been increasingly recognized for its potential to augment user immersion and cognitive engagement. The sophisticated orchestration of their daily activities, reflecting the nuances of human daily routines, contributes significantly to the realism of digital environments. Nevertheless, conventional approaches often produce monotonous repetition, falling short of capturing the intricacies of real human activity plans. In response to this, we introduce ORACLE, a novel generative model for the synthesis of realistic indoor daily activity plans, ensuring NPCs' authentic presence in digital habitats. Exploiting the CASAS smart home dataset's 24-hour indoor activity sequences, ORACLE addresses challenges in the dataset, including its imbalanced sequential data, the scarcity of training samples, and the absence of pre-trained models encapsulating human daily activity patterns. ORACLE's training leverages the sequential data processing prowess of Transformers, the generative controllability of Conditional Variational Autoencoders (CVAE), and the discriminative refinement of contrastive learning. Our experimental results validate the superiority of generating NPC activity plans and the efficacy of our design strategies over existing methods.
• Abstract（参考訳）: デジタル環境におけるNon-player character(NPC)の統合は、ユーザの没入感と認知的エンゲージメントを高める可能性において、ますます認識されている。 人間の日常的な日常のニュアンスを反映した日々の活動の高度なオーケストレーションは、デジタル環境のリアリズムに大きく貢献する。 それにもかかわらず、従来のアプローチはしばしば単調な反復を生じさせ、実際の人間の活動計画の複雑さを捉えない。 これに対応するために,本研究では,NPCのデジタル環境における真の存在を確実にする,リアルな屋内日常生活活動計画作成のための新しい生成モデルORACLEを紹介する。 ORACLEは、CASASスマートホームデータセットの24時間屋内アクティビティシーケンスを実行し、不均衡なシーケンシャルデータ、トレーニングサンプルの不足、人間の日々のアクティビティパターンをカプセル化した事前トレーニングされたモデルがないなど、データセットの課題に対処する。 ORACLEのトレーニングは、トランスフォーマーのシーケンシャルなデータ処理技術、条件付き変分オートエンコーダ(CVAE)の生成可能性、コントラスト学習の差別的洗練を活用している。 本研究は,NPC活動計画作成の優位性と既存手法に対する設計戦略の有効性を検証した。

関連論文リスト

• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Evaluating Few-Shot Temporal Reasoning of LLMs for Human Activity Prediction in Smart Environments [1.411614392022118]
  既存のデータ駆動エージェントベースのモデルは、低データ環境において苦労する。 本稿では,人間の知識に基づいて事前学習された大規模言語モデルがこのギャップを埋めるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-01-20T20:58:17Z)
• Synthetic Data Pipelines for Adaptive, Mission-Ready Militarized Humanoids [0.0]
  このアプローチは、視点記録、スマートグラス、拡張現実ヘッドセット、空間ブラウジングから得られる一対一の空間観察を、ヒューマノイド自律のためのミッション固有の合成データセットに変換する。 このパイプラインは、広範囲にわたるフィールドトライアルのコスト、リスク、時間的制約なしに、認識、ナビゲーション、意思決定能力の迅速なイテレーションを可能にする。
  論文  参考訳（メタデータ） (2025-12-16T13:54:34Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
  本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-18T05:30:26Z)
• A Framework for Realistic Simulation of Daily Human Activity [1.8877825068318652]
  本稿では,家庭環境における日々の行動パターンを大規模にシミュレーションするための枠組みを提案する。 本稿では,スケジュールの日々の変動を特定する手法を提案し,テンプレートからスケジュールを生成するための双方向制約伝搬アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-26T19:50:23Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Improving GANs with A Dynamic Discriminator [106.54552336711997]
  我々は、オンザフライで調整可能な判別器は、そのような時間変化に適応できると論じる。 総合的な実証研究により、提案したトレーニング戦略がDynamicDと呼ばれ、追加のコストやトレーニング目標を発生させることなく、合成性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2022-09-20T17:57:33Z)
• ElderSim: A Synthetic Data Generation Platform for Human Action Recognition in Eldercare Applications [9.35465358018908]
  ElderSimは、高齢者の日々の活動に関する合成データを生成することができるアクションシミュレーションプラットフォームである。 我々は,高齢者の日常生活活動の大規模合成データセットであるKIST SynADLをElderSimから生成する。 実際のデータセットに加えて、このデータを使って、最先端の3つの人間の行動認識モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-10-28T04:27:28Z)

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。