論文の概要: Reward-Adaptive Iterative Discovery: A Case Study on Automated Game Testing for NHL26

• arxiv url: http://arxiv.org/abs/2607.07498v1
• Date: Wed, 08 Jul 2026 14:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.428392
• Title: Reward-Adaptive Iterative Discovery: A Case Study on Automated Game Testing for NHL26
• Title（参考訳）: Reward-Adaptive Iterative Discovery: NHL26における自動ゲームテストのケーススタディ
• Abstract要約: 本研究では,アイスホッケーゲームEA SPORTS NHL 26の開発バージョンについて事例研究を行い,人間のプレイテスト者がゴールキーAIを行動的悪用のためにテストする。 本稿では,反復的強化学習手法を用いたエクスプロイトの自動検出手法であるReward-Adaptive Iterative Discovery (RAID)を提案する。
• 参考スコア（独自算出の注目度）: 33.50195135603004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Testing is a major effort for the gaming industry, requiring a significant part of development budget and people power. We present a case study on a development version of the ice hockey game EA SPORTS NHL 26, for which human playtesters test the goalie AI for behavioral exploits. To reduce the effort of re-testing the goalie AI after every game or behavior modification in the development phase, we propose Reward-Adaptive Iterative Discovery (RAID), a novel approach to automatically find exploits using an iterative Reinforcement Learning (RL) approach that trains a population of goal scoring agents. While previous approaches can already successfully find exploits, RL algorithms tend to overfit to a single solution. We introduce a simple extension on top of existing RL algorithms, such that they find multiple diverse high-quality solutions. For our first deployment of this approach, within a single experiment we were able to find six hockey scoring exploit strategies that were qualitatively similar to those that playtesters had found in hours-long manual testing sessions.
• Abstract（参考訳）: テストはゲーム業界にとって大きな取り組みであり、開発予算と人的力の大部分を必要とします。 本研究では,アイスホッケーゲームEA SPORTS NHL 26の開発バージョンについて事例研究を行い,人間のプレイテスト者がゴールキーAIを行動的悪用のためにテストする。 開発フェーズにおける各ゲームや行動修正後のゴールキーパーAIの再テストの労力を軽減するため,リワード適応反復探索(RAID)を提案し,ゴールスコアエージェントの集団を訓練する反復強化学習(RL)アプローチを用いて,エクスプロイトを自動的に見つける手法を提案する。 従来のアプローチはすでにエクスプロイトの発見に成功しているが、RLアルゴリズムは単一ソリューションに過度に適合する傾向にある。 既存のRLアルゴリズムの上に単純な拡張を導入し、複数の多様な高品質な解を求める。 このアプローチの最初のデプロイでは、単一の実験で、数時間の手動テストセッションでプレイテスターが見つけたものと質的に類似した6つのホッケースコアのエクスプロイト戦略を見つけることができました。

関連論文リスト

• Human-Like Goalkeeping in a Realistic Football Simulation: a Sample-Efficient Reinforcement Learning Approach [35.515515697546554]
  本稿では,産業環境下での訓練や微調整に適したサンプル効率のよい深層強化学習法を提案する。 EA SPORTS FC 25におけるゴールキーパーエージェントのトレーニングを,今日最も売れているサッカーシミュレーションの一つとして評価した。 我々のエージェントは、ゲームに組み込まれたAIを10%のボールセーブレートで上回ります。
  論文  参考訳（メタデータ） (2025-10-27T11:06:00Z)
• BDD-Based Framework with RL Integration: An approach for videogames automated testing [0.0]
  ビデオゲームのテストは、従来のソフトウェア開発のプラクティスとは異なる。 振る舞い駆動開発(BDD)と強化学習(RL)の統合を提案する。
  論文  参考訳（メタデータ） (2023-10-08T20:05:29Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video Games Using Risk Based Testing and Machine Learning [62.997667081978825]
  従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。 自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。 この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
  論文  参考訳（メタデータ） (2022-03-10T00:47:46Z)
• Augmenting Automated Game Testing with Deep Reinforcement Learning [0.4129225533930966]
  一般的なゲームテストは、人間プレイテスターの使用、テストスクリプティングのプレイ、関連するテストデータを生成するための関心領域の事前知識に依存している。 深層強化学習(DRL)を用いたゲームテストフレームワークに自己学習メカニズムを導入する。 DRLは、テストカバレッジの向上、エクスプロイトの発見、マップの難しさ、ファーストパーソンシューティングゲーム(FPS)のテストで発生する一般的な問題の検出に使用できる。
  論文  参考訳（メタデータ） (2021-03-29T11:55:15Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• Griddly: A platform for AI research in games [0.0]
  我々はGriddlyをゲームAI研究の新しいプラットフォームとして紹介する。 Griddlyは、高度にカスタマイズ可能なゲーム、異なるオブザーバタイプ、効率的なC++コアエンジンのユニークな組み合わせを提供する。 本稿では,RLエージェントの観察構成と一般化能力の相違について,一連の基礎実験を行った。
  論文  参考訳（メタデータ） (2020-11-12T13:23:31Z)
• Strategies for Using Proximal Policy Optimization in Mobile Puzzle Games [0.0]
  本研究は, カジュアルなモバイルパズルゲームにおいて, 人気のRL手法であるPPO(Proximal Policy Optimization)の適用戦略を調査し, 評価する。 我々は,現実のモバイルパズルゲームに対して,さまざまな戦略を実装し,テストしてきた。 このゲームジャンルにおけるアルゴリズムのより安定した動作を保証するためのいくつかの戦略を特定した。
  論文  参考訳（メタデータ） (2020-07-03T08:03:45Z)
• Provable Self-Play Algorithms for Competitive Reinforcement Learning [48.12602400021397]
  我々はマルコフゲームの設定の下で、競争力強化学習における自己プレイについて研究する。 自己再生アルゴリズムは、ゲームのT$ステップをプレイした後、後悔の$tildemathcalO(sqrtT)$を達成する。 また, 最悪の場合においても, 時間内に実行可能であることを保証し, 若干悪い後悔を招き, エクスプロイトスタイルのアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-02-10T18:44:50Z)

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。