論文の概要: SAT-RTS: A systematic framework for tactical knowledge extraction and visualization-based analysis in real-time strategy games

• arxiv url: http://arxiv.org/abs/2606.30090v1
• Date: Mon, 29 Jun 2026 10:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.178018
• Title: SAT-RTS: A systematic framework for tactical knowledge extraction and visualization-based analysis in real-time strategy games
• Title（参考訳）: SAT-RTS:リアルタイム戦略ゲームにおける戦術的知識抽出と可視化に基づく分析のための体系的フレームワーク
• Abstract要約: 状態-行動-戦術分析パイプライン(SAT-RTS)と呼ばれる体系的フレームワークを提案する。 解釈可能な可視化と高次元シーケンスデータから潜在戦術パターンの自動抽出を統合する。 これらの計算手法を階層的な可視化ベースパイプラインに統合することにより,大規模リアルタイムデータストリーム処理の課題を効果的に解決する。
• 参考スコア（独自算出の注目度）: 9.443838053636926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient tactical knowledge extraction and analysis in real-time strategy (RTS) games micromanagement are constrained by the high-dimensional coupled state-action sequential data and the black-box decision-making process. Current research rarely provides a hierarchical visualization-based attribution analysis from the perspective of data decoupling and abstraction. To facilitate interpretable tactical knowledge extraction and visualization-based analysis in RTS games, a systematic framework named state-action-tactic analysis pipeline (SAT-RTS) is proposed. To decipher the deep-seated drivers of critical decisions in RTS learning systems, this work integrates interpretable visualization with the automated extraction of latent tactical patterns from high-dimensional sequence data. By adapting a cluster-centric BK-tree algorithm and incorporating specialized distance metrics designed to quantify multi-aspect similarities, the proposed framework facilitates robust state-stream abstraction. Furthermore, a rule-based multi-label extraction method is developed to transform unstructured state-action sequences into discrete and interpretable tactical labels, effectively bridging the gap between raw behavioral data and high-level tactical insights. By holistically integrating these computational methods into a hierarchical visualization-based pipeline, the proposed framework effectively addresses the challenges of processing massive real-time data streams while providing fitness landscape visualizations and analytical insights to decipher deep-seated tactical drivers. Comprehensive experiments demonstrate that the proposed SAT-RTS significantly enhances the interpretability and efficiency of tactical analysis in complex RTS environments.
• Abstract（参考訳）: リアルタイム戦略(RTS)ゲームにおける効率的な戦術的知識抽出と分析は、高次元結合状態対応シーケンシャルデータとブラックボックス決定プロセスによって制約される。 現在の研究は、データデカップリングと抽象化の観点から、階層的な視覚化に基づく属性分析をめったに提供していない。 RTSゲームにおける戦術的知識抽出と可視化に基づく解析を容易にするために,SAT-RTS(State-action-Tactic Analysis Pipeline)と呼ばれる体系的フレームワークを提案する。 本研究は,RTS学習システムにおける重要な決定の深層化要因を解析するために,解釈可能な可視化と高次元シーケンスデータからの潜在戦術パターンの自動抽出を統合した。 クラスタ中心のBK-treeアルゴリズムを適用し、マルチアスペクト類似性を定量化するために設計された特殊な距離メトリクスを組み込むことにより、提案フレームワークは堅牢な状態ストリーム抽象化を促進する。 さらに,ルールに基づく多ラベル抽出手法を開発し,非構造化状態系列を離散的かつ解釈可能な戦術ラベルに変換し,生の行動データと高レベルの戦術的洞察とのギャップを効果的に埋める。 提案フレームワークは,これらの計算手法を階層的な可視化ベースパイプラインに統合することにより,フィットネスランドスケープの可視化と分析的洞察を提供しながら,大規模リアルタイムデータストリームを処理する上での課題を効果的に解決する。 総合実験により、SAT-RTSは複雑なRTS環境での戦術解析の解釈可能性や効率を大幅に向上させることが示された。

関連論文リスト

• Learning to Watch: Active Video Anomaly Understanding via Interleaved Policy Optimization [56.150184676745205]
  ビデオ異常理解(VAU)は、スパースでコンテキストに依存した手がかりに依存している。 本稿では,映像理解をアクティブな逐次意思決定プロセスとして再認識するクローズドループフレームワークである$Anomtext-$を提案する。 人間のビデオレビュー行動に触発されたこのフレームワークは、内部の認知的推論と戦略的エビデンスを、インターリーブされたポリシーに統一する。
  論文  参考訳（メタデータ） (2026-07-01T08:41:49Z)
• Hierarchical Reinforcement Learning in StarCraft Micromanagement with Influence Maps and Cluster-based Scripts [8.819749837694363]
  リアルタイム戦略ゲームは、拡張されたステートアクション空間を特徴とする、重要なAI課題を提示する。 本稿では,StarCraftマイクロマネジメントのための影響マップハッシュとクラスタベースのスクリプトを備えた階層型強化学習フレームワークHRL-IM/CBSを提案する。
  論文  参考訳（メタデータ） (2026-06-29T10:29:41Z)
• Chaotic Contrastive Learning for Robust Texture Classification [0.0]
  本稿では,自己指導型学習と決定論的カオス力学を相乗化する新しい枠組みを提案する。 本稿では,画素単位のカオスマップが非線形データ拡張手法として機能する,カオス的コントラスト事前学習戦略を提案する。 6つのテクスチャベンチマーク実験の結果,提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2026-05-06T15:11:28Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Multimodal Interpretation of Remote Sensing Images: Dynamic Resolution Input Strategy and Multi-scale Vision-Language Alignment Mechanism [10.17375002962432]
  本研究では2つの重要な革新と統合された視覚言語モデル(VLM)フレームワークを提案する。 DRISは、画像の内容の複雑さに応じて、計算資源を適応的に割り当てる粗大なアプローチを採用している。 MS-VLAMは、オブジェクト、ローカルリージョン、グローバルレベルをカバーする3層アライメント機構を構築する。
  論文  参考訳（メタデータ） (2025-12-29T06:51:20Z)
• Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
  本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。 本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。 作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
  論文  参考訳（メタデータ） (2025-09-04T15:05:05Z)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• An Algebraic Framework for Hierarchical Probabilistic Abstraction [5.455744338342196]
  本稿では,階層的抽象化のための測度理論基盤を拡張し,課題に対処することを目的とした階層的確率的抽象化フレームワークを提案する。 このアプローチは、低レベルの知覚データで高レベルの概念化をブリッジし、解釈可能性を高め、層解析を可能にする。 我々のフレームワークは、AIサブフィールド、特にシステム1とシステム2の考え方の整合性において、抽象分析のための堅牢な基盤を提供します。
  論文  参考訳（メタデータ） (2025-02-28T16:47:42Z)
• Sequential Visual and Semantic Consistency for Semi-supervised Text Recognition [56.968108142307976]
  Scene Text Recognition (STR) は、大規模なアノテートデータを必要とする課題である。 既存のSTR法の多くは、STRモデルの性能を低下させ、ドメイン差を生じさせる合成データに頼っている。 本稿では,視覚的・意味的両面から単語レベルの整合性正則化を取り入れたSTRの半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T13:00:54Z)
• Symbolic Visual Reinforcement Learning: A Scalable Framework with Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
  DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。 生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。 我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
  論文  参考訳（メタデータ） (2022-12-30T17:50:54Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。