論文の概要: Investigating Knowledge Transfer Across Interactive Dialogue Games

• arxiv url: http://arxiv.org/abs/2608.23969v1
• Date: Tue, 25 Aug 2026 01:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.746904
• Title: Investigating Knowledge Transfer Across Interactive Dialogue Games
• Title（参考訳）: 対話型対話ゲームにおける知識伝達の検討
• Abstract要約: 異なる対話ゲーム間での知識伝達について検討する。 Clembench スイートのゲーム上で LLM モデルを微調整することにより、転送可能性について検討する。 いくつかのゲームは微調整よりも転送の恩恵を受けており、ビジュオパティアル・ファミリー(例えば探索ゲーム)は転送が最善である。
• 参考スコア（独自算出の注目度）: 73.44278078966448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dialogue games represent a challenging setting where complex cognitive skills are required to accomplish tasks while coordinating with other players. Considering that language represents an interface for both understanding the game rules and executing actions, it is reasonable to assume that training on a specific language game will enhance specific capabilities that might be relevant for other tasks as well. Motivated by this rationale, in this paper, we investigate how knowledge transfers across different dialogue games. We study transferability by finetuning LLM models on games from the clembench suite (Chalamalasetti et al., 2023) and performing two analyses: i) we derive a task-transferability graph using a binary integer optimization program from Zamir et al. (2018), using task performance as the main metric; and ii) we compute task vectors (Ilharco et al., 2022) for each game to study similarities across finetuned models and their task transferability. In our first analysis, we find that some games benefit more from transfer than finetuning, and that the visuospatial family (e.g., exploration games) transfers best. With our task vector analysis instead, we find that similarity-based approaches capture game-role relationships but almost no transferability patterns, suggesting that more complex metrics are required.
• Abstract（参考訳）: 対話ゲームは、他のプレイヤーとコーディネートしながらタスクを遂行するために複雑な認知スキルを必要とする、困難な環境である。 言語がゲームルールの理解とアクションの実行の両方のインターフェースであることを考えると、特定の言語ゲーム上でのトレーニングが、他のタスクにも関係のある特定の機能を強化すると仮定することは合理的である。 本論では,異なる対話ゲーム間での知識伝達について考察する。 クレムベンチ・スイート(Chalamalasetti et al , 2023)のゲーム上でLLMモデルを微調整し, 2つの解析を行った。 一 タスク性能を主指標として、Zamir et al (2018) の2進整数最適化プログラムを用いたタスク伝達可能性グラフを導出する。 二 ゲームごとにタスクベクトル(Ilharco et al , 2022)を計算し、微調整モデル間の類似性とそのタスク転送可能性について検討する。 最初の分析では、いくつかのゲームは微調整よりも転送の恩恵を受けており、ビジュオパシアル・ファミリー(例えば探索ゲーム)は転送が最善であることがわかった。 タスクベクトル解析により、類似性に基づくアプローチはゲームとロールの関係を捉えるが、転送可能性パターンはほとんどなく、より複雑なメトリクスが必要であることが示唆される。

関連論文リスト

• Multi-Task Learning for Heterogeneous Prediction from Video Game State with Transfer Learning [41.132061576291065]
  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。
  論文  参考訳（メタデータ） (2026-07-23T13:12:51Z)
• Game-RL: Synthesizing Multimodal Verifiable Game Data to Boost VLMs' General Reasoning [89.93384726755106]
  視覚言語強化学習(RL)は主に狭い領域に焦点を当てている。 ビデオゲームは本質的に、検証が容易なリッチなビジュアル要素とメカニクスを提供します。 ビデオゲームにおけるマルチモーダルかつ検証可能な報酬を完全に活用するために,Game-RLを提案する。
  論文  参考訳（メタデータ） (2025-05-20T03:47:44Z)
• Learning to Play Like Humans: A Framework for LLM Adaptation in Interactive Fiction Games [8.06073345741722]
  インタラクティブ・フィクションゲーム(Interactive Fiction Game、IFゲーム)は、プレイヤーが自然言語で操作するゲームである。 この研究は認知にインスパイアされたフレームワークを示し、Large Language Models (LLM) を体系的にIFゲームを学び、プレイする。
  論文  参考訳（メタデータ） (2025-05-18T14:21:56Z)
• Tachikuma: Understading Complex Interactions with Multi-Character and Novel Objects by Large Language Models [67.20964015591262]
  我々は,複数文字と新しいオブジェクトベースインタラクション推定タスクとサポートデータセットからなる,立久間というベンチマークを導入する。 このデータセットは、ゲームプレイ中のリアルタイム通信からログデータをキャプチャし、多様な、接地された複雑なインタラクションを提供して、さらなる探索を行う。 本稿では,対話理解の強化に有効であることを示すため,簡単なプロンプトベースラインを提案し,その性能評価を行う。
  論文  参考訳（メタデータ） (2023-07-24T07:40:59Z)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• Probing Transfer in Deep Reinforcement Learning without Task Engineering [26.637254541454773]
  深部強化学習エージェントのための異種変換ベンチマークとして,Atari 2600コンソールがサポートするオリジナルゲームキュリキュラの評価を行った。 ゲームデザイナーは、Space Invaders、Breakout、Freewayといったゲームの基本バージョンにいくつかの個別の修正を加えてキュリキュラを作成した。 基本ゲームからそれらのバリエーションへのゼロショット転送は可能であるが、性能のばらつきは要因間の相互作用によって大きく説明される。
  論文  参考訳（メタデータ） (2022-10-22T13:40:12Z)
• 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)
• Learning Dynamic Belief Graphs to Generalize on Text-Based Games [55.59741414135887]
  テキストベースのゲームをプレイするには、自然言語処理とシーケンシャルな意思決定のスキルが必要である。 本研究では,原文からエンドツーエンドに学習したグラフ構造化表現を用いて,エージェントがテキストベースのゲームでどのように計画・一般化できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-21T04:38:37Z)

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。