論文の概要: CA2: Code-Aware Agent for Automated Game Testing

• arxiv url: http://arxiv.org/abs/2605.13918v1
• Date: Wed, 13 May 2026 12:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.416914
• Title: CA2: Code-Aware Agent for Automated Game Testing
• Title（参考訳）: CA2: 自動ゲームテストのためのコード認識エージェント
• Authors: Valliappan Chidambaram Adaikkappan, Vincent Martineau, Joshua Romoff, David Meger,
• Abstract要約: コールスタック情報を用いて効果的なテスト戦略を学習するCode Aware Agent (CA2)を提案する。 1)状態ベースと2)画像ベースという2種類の環境を計測し,効率的なコールスタック抽出をサポートする。
• 参考スコア（独自算出の注目度）: 10.340617068170525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated game testing is important for verifying game functionality, but it remains a costly and time-consuming process. Manual testing often misses edge cases, and current automated methods struggle to provide full code coverage. Prior work has explored reinforcement learning (RL) for game testing, but without leveraging internal code signals such as the call stack. We present Code Aware Agent (CA2), which uses call stack information to learn effective testing strategies. The agent receives the current function call trace along with the game state and learns to reach specific target functions. We instrument two types of environments, 1) State-based and 2) Image-based, with support for efficient call stack extraction. Through experimental evaluation, we find that CA2 achieves consistent improvement over the non-code aware baselines, which does not leverage call stack information. Our results show that incorporating code signals like the call stack enables more effective and targeted game testing.
• Abstract（参考訳）: ゲーム機能の検証には自動ゲームテストが重要ですが、コストと時間を要するプロセスです。 手動テストはしばしばエッジケースを見逃し、現在の自動メソッドは完全なコードカバレッジを提供するのに苦労する。 これまで、ゲームテストのための強化学習(RL)を検討してきたが、コールスタックのような内部コード信号は利用できなかった。 コールスタック情報を用いて効果的なテスト戦略を学習するCode Aware Agent (CA2)を提案する。 エージェントは、現在の関数呼び出しトレースをゲーム状態とともに受信し、特定のターゲット機能に到達することを学習する。 環境は2種類ある。 1)国家ベース・システム 2) 効率的なコールスタック抽出をサポートするイメージベース。 実験により,CA2はコールスタック情報を利用していない非コード認識ベースラインよりも一貫した改善を実現していることがわかった。 この結果から,コールスタックのようなコード信号の組み込みにより,より効果的で目的のゲームテストが可能になることが示唆された。

関連論文リスト

• LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues [80.29362825271768]
  LongMemEval-V2は、メモリシステムが、カスタマイズされた環境で知識のある同僚になるために必要な経験を得るのに役立つかどうかを評価するためのベンチマークである。 LME-V2には、Webエージェントの5つのコアメモリ能力をカバーする451の質問が含まれている。 AgentRunbook-Rは生の状態観察,イベント,戦略ノートのための知識プールを備えた,効率的なRAGベースのメモリであり,AgentRunbook-Cはトラジェクトリをファイルとして格納し,コードエージェントを起動して,拡張サンドボックスに証拠を収集する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:34Z)
• ISO-Bench: Can Coding Agents Optimize Real-World Inference Workloads? [0.8749675983608171]
  実世界の推論タスクでその能力をテストするためのコーディングエージェントのベンチマークであるISO-Benchを紹介する。 統合プルリクエストから54のタスクをキュレートし、測定可能なパフォーマンスを改善しました。
  論文  参考訳（メタデータ） (2026-02-23T08:37:53Z)
• Synergizing Code Coverage and Gameplay Intent: Coverage-Aware Game Playtesting with LLM-Guided Reinforcement Learning [4.3706127838450035]
  ゲーム・アズ・ア・サービス(Games as a Service)モデルは頻繁なコンテンツ更新を必要とする。 コード中心の手法は、ゲームプレイコンテキストを理解せずに構造的カバレッジに焦点を当てる。 ゲーム更新テストのための構造検証と機能検証を相乗化する新しいフレームワークSMARTを提案する。
  論文  参考訳（メタデータ） (2025-12-14T14:18:18Z)
• EvoTest: Evolutionary Test-Time Learning for Self-Improving Agentic Systems [59.66823584073748]
  現在のAIエージェントの基本的な制限は、テスト時に複雑なスキルをその場で学べないことだ。 EvoTestは,エージェントの微調整や勾配を伴わずにエージェントを改良する,進化的テストタイム学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-15T07:16:28Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• CodeAgent: Autonomous Communicative Agents for Code Review [12.163258651539236]
  コードレビュー自動化のための新しいマルチエージェント大規模言語モデル(LLM)システムであるツールを紹介する。 CodeAgentは、すべてのエージェントのコントリビューションが初期レビュー問題に対処するように、監督エージェントであるQA-Checkerを組み込んでいる。 結果はCodeAgentの有効性を実証し、コードレビュー自動化の新たな最先端に寄与している。
  論文  参考訳（メタデータ） (2024-02-03T14:43:14Z)
• Test Script Intention Generation for Mobile Application via GUI Image and Code Understanding [12.973016336177047]
  テストスクリプトは、ソースコードのテストケースよりも、モバイルアプリのテストにおいて重要な役割を果たす。 TestIntentionはGUIテストスクリプトの意図を推測する新しいアプローチである。 すべての操作の結果が組み合わされ、テストスクリプトのテスト意図が生成される。
  論文  参考訳（メタデータ） (2021-07-12T02:08:53Z)
• An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
  本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。 提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
  論文  参考訳（メタデータ） (2021-01-31T10:30:48Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• LabelEnc: A New Intermediate Supervision Method for Object Detection [78.74368141062797]
  本稿では,オブジェクト検出システムのトレーニングを促進するため,LabelEncという新たな中間監視手法を提案する。 鍵となるアイデアは、新しいラベル符号化機能を導入し、接地木ラベルを潜伏埋め込みにマッピングすることである。 実験の結果,COCOデータセット上での検出精度は,約2%向上した。
  論文  参考訳（メタデータ） (2020-07-07T08:55:05Z)

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。