論文の概要: Learning Local Constraints for Reinforcement-Learned Content Generators

• arxiv url: http://arxiv.org/abs/2605.13570v1
• Date: Wed, 13 May 2026 14:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.095985
• Title: Learning Local Constraints for Reinforcement-Learned Content Generators
• Title（参考訳）: 強化学習型コンテンツジェネレータにおける局所制約の学習
• Authors: Debosmita Bhaumik, Julian Togelius, Georgios N. Yannakakis, Ahmed Khalifa,
• Abstract要約: 制約ベースのゲームコンテンツジェネレータは、Wave Collapse Function (WFC)のような既存のコンテンツから局所的制約を学習する 強化学習ジェネレータはグローバルな特性を保証できるが、その結果は視覚的に不満足である。 本稿では,これらの手法を組み合わせる方法を検討する。具体的には,PCGRLジェネレータの動作空間を,WFCが学習した制約で制約する。
• 参考スコア（独自算出の注目度）: 5.920650312783903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constraint-based game content generators that learn local constraints from existing content, such as Wave Function Collapse (WFC), can generate visually satisfying game levels but face challenges in guaranteeing global properties, such as playability. On the other hand, reinforcement-learning trained generators can guarantee global properties -- because such properties can easily be included in reward functions -- but the results can be visually dissatisfying. In this paper, we explore ways to combine these methods. Specifically, we constrain the action space of a PCGRL generator with constraints learned by WFC, effectively allowing the PCGRL generator to achieve global properties while forced to adhere to local constraints. To better analyze how this hybrid content generation method operates, we vary the number and type of inputs, and we test whether to randomly collapse the starting state and exclude rare patterns. While the method is sensitive to hyperparameter tuning, the best of our trained generators produce visually satisfying and playable puzzle-platform game levels -- such as Lode Runner levels -- with desired global properties.
• Abstract（参考訳）: Wave Function Collapse (WFC) のような既存のコンテンツから局所的な制約を学習する制約ベースのゲームコンテンツジェネレータは、視覚的に満足なゲームレベルを生成するが、プレイ可能性などのグローバルプロパティを保証する上での課題に直面している。 一方、強化学習訓練されたジェネレータは、その特性を報酬関数に簡単に含めることができるため、グローバルな特性を保証することができるが、その結果は視覚的に不満足である。 本稿では,これらの手法を組み合わせる方法について検討する。 具体的には、WFCが学習した制約でPCGRLジェネレータの動作空間を制約し、局所的な制約に従わざるを得ず、PCGRLジェネレータのグローバルな特性を効果的に達成する。 このハイブリッドコンテンツ生成手法の動作をよりよく解析するために,入力の回数と種類を変えて,ランダムに開始状態が崩壊するかどうかを検証し,稀なパターンを除外する。 この手法はハイパーパラメータチューニングに敏感だが、訓練されたジェネレータのベストは、望まれるグローバルな特性を備えた、視覚的に満足し、プレイ可能なパズルプラットフォームゲームレベル(Lode Runnerレベルなど)を生成する。

関連論文リスト

• Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan [19.27715432069165]
  本稿では,ユーザからの推薦リストを,粗い方法で徐々に拡張する次世代ジェネレータ(NSG)を提案する。 NSGRはMeituanフードデリバリープラットフォーム上での展開に成功している。
  論文  参考訳（メタデータ） (2026-04-07T01:35:20Z)
• UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
  リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。 既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。 高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:59:16Z)
• Level Generation with Constrained Expressive Range [3.2228025627337864]
  表現範囲解析(Expressive Range Analysis)は、生成モデルの性能を評価するための可視化技術である。 本研究では,生成可能空間の概念空間として生成器の表現範囲を用いる。 そのために、制約ベースのジェネレータを使用して、この空間のレベルを体系的にトラバースし、生成する。
  論文  参考訳（メタデータ） (2025-04-04T20:55:30Z)
• A Feature Generator for Few-Shot Learning [2.4500728886415137]
  少ないショットラーニングは、ラベル付きデータに制限のある新しいオブジェクトやクラスをモデルが認識できるようにすることを目的としている。 クラスレベルのテキスト記述から視覚的特徴を生成する機能ジェネレータを導入する。 その結果,ベースライン法よりも精度が向上した。
  論文  参考訳（メタデータ） (2024-09-21T13:31:12Z)
• GraCo: Granularity-Controllable Interactive Segmentation [52.9695642626127]
  Granularity-Controllable Interactive (GraCo) は、入力に追加パラメータを導入することによって、予測粒度の正確な制御を可能にする新しいアプローチである。 GraCoは、事前訓練されたISモデルのセマンティック特性を利用して、豊富なマスクとグラニュラリティのペアを自動的に生成する。 オブジェクトと部分レベルの複雑なシナリオの実験は、GraCoが以前の方法よりも大きな利点があることを示しています。
  論文  参考訳（メタデータ） (2024-05-01T15:50:16Z)
• Coupling Global Context and Local Contents for Weakly-Supervised Semantic Segmentation [54.419401869108846]
  Weakly Supervised Semantic (WSSS)モデルを提案する。 グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。 局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
  論文  参考訳（メタデータ） (2023-04-18T15:29:23Z)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)
• Learning Controllable Content Generators [5.5805433423452895]
  多岐にわたる出力を生産できる発電機を「ゴールアウェア」にすることで育成します。 得られたレベルジェネレータは,対象とした制御可能な方法で可能なレベルの空間を探索できることを示す。
  論文  参考訳（メタデータ） (2021-05-06T22:15:51Z)
• Demonstration-efficient Inverse Reinforcement Learning in Procedurally Generated Environments [137.86426963572214]
  逆強化学習(Inverse Reinforcement Learning)は、専門家によるデモンストレーションから報酬関数を外挿する。 提案手法であるDE-AIRLは、実演効率が高く、完全手続き領域に一般化する報酬関数を外挿できることを示す。
  論文  参考訳（メタデータ） (2020-12-04T11:18:02Z)

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。