論文の概要: Multi-Task Learning for Heterogeneous Prediction from Video Game State with Transfer Learning

• arxiv url: http://arxiv.org/abs/2607.21290v1
• Date: Thu, 23 Jul 2026 13:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.418169
• Title: Multi-Task Learning for Heterogeneous Prediction from Video Game State with Transfer Learning
• Title（参考訳）: 移動学習を伴うゲーム状態からの不均一な予測のためのマルチタスク学習
• Abstract要約: マルチタスク学習は、ビデオゲームの状態データから得られる予測タスクに対して有望なアプローチである。 チームベースのマルチプレイヤーゲームにおいて、タスク間で協調的に訓練された共有モデルが一般化を改善するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 41.132061576291065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task learning (MTL) is a promising approach for prediction tasks derived from video game state data, as modern game telemetry provides multiple related supervision signals from the same structured observations. We study whether a shared model trained jointly across tasks in team-based multiplayer games can improve generalization while reducing training and inference cost compared to specialized single-task models. We adapt a multimodal architecture for endpoint prediction to a general multi-task setting that combines rasterized vision inputs, global match context, and per-unit state information through an image encoder and attention-based interaction modeling. Experiments on a large proprietary World of Tanks dataset compare single-task and multi-task training, evaluate weighting strategies for mixed losses and conflicting gradients, and test pre-training/fine-tuning under limited target-data regimes. We also examine within-game transfer across game maps under structured environment shift.
• Abstract（参考訳）: マルチタスク学習(MTL)は、ゲーム状態データから導出される予測タスクに対して有望なアプローチであり、現代のゲームテレメトリは、同じ構造化された観測から複数の関連する監視信号を提供する。 チームベースのマルチプレイヤーゲームにおいて、タスク間で協調的にトレーニングされた共有モデルが、特定の単一タスクモデルと比較してトレーニングと推論コストを削減しつつ、一般化を改善することができるかどうかを検討する。 我々は、画像エンコーダとアテンションに基づくインタラクションモデリングにより、ラスタライズされた視覚入力、グローバルマッチコンテキスト、ユニット単位の状態情報を組み合わせた一般的なマルチタスク設定に、エンドポイント予測のためのマルチモーダルアーキテクチャを適用する。 大規模なプロプライエタリなWorld of Tanksデータセットの実験は、シングルタスクとマルチタスクのトレーニングを比較し、混合損失と競合する勾配に対する重み付け戦略を評価し、限定されたターゲットデータ体制下で事前トレーニング/ファインチューニングをテストする。 また,構造化環境シフト下でのゲームマップ間のゲーム内移動についても検討した。

関連論文リスト

• Unified Video Dense Prediction from Disjoint Data [71.9957801898161]
  深度,表面正規度,セマンティックセグメンテーション,境界,人的部分,アルベド,シェーディング,素材の8つの密集したシーン特性を共同で予測する統合ビデオモデルUniDを紹介する。 本稿では,タスクプロジェクタを介し,タスク毎の専門家が統一されたバックボーンを監督する簡易かつ効果的な蒸留手順を提案する。 UniDは、タスクごとのスペシャリストやマルチタスクベースラインと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-07-23T17:59:50Z)
• MultiMAE Meets Earth Observation: Pre-training Multi-modal Multi-task Masked Autoencoders for Earth Observation Tasks [11.359741665798195]
  本稿では,地球観測(EO)データに対する,より柔軟なマルチモーダル・マルチタスク事前学習戦略について検討する。 具体的には,マルチモーダルなマルチタスク・マスケッド・オートエンコーダ(MultiMAE)を採用し,多様な入力モダリティを再構成することによって事前学習を行う。 提案手法は,モダリティ固有の事前学習モデルを必要とせず,多様な入力構成を処理し,高い柔軟性を示す。
  論文  参考訳（メタデータ） (2025-05-20T22:24:36Z)
• Optimizing Dense Visual Predictions Through Multi-Task Coherence and Prioritization [7.776434991976473]
  マルチタスク学習(MTL)は、複数のタスクの同時トレーニングを含む。 本稿では,高密度視覚タスクに特化して設計された高度MTLモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-04T10:05:47Z)
• MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
  ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。 事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。 我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2024-03-20T09:17:22Z)
• An Efficient General-Purpose Modular Vision Model via Multi-Task Heterogeneous Training [79.78201886156513]
  本稿では、複数の視覚タスクを実行でき、他の下流タスクに効率的に適応できるモデルを提案する。 提案手法は,単一タスク状態モデルに匹敵する結果を達成し,下流タスクの強力な一般化を実証する。
  論文  参考訳（メタデータ） (2023-06-29T17:59:57Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)

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。