論文の概要: Game-Agnostic Value Functions through Automatic JSON Feature Extraction

• arxiv url: http://arxiv.org/abs/2608.30056v1
• Date: Sun, 30 Aug 2026 21:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.169273
• Title: Game-Agnostic Value Functions through Automatic JSON Feature Extraction
• Title（参考訳）: 自動JSON特徴抽出によるゲーム非依存値関数
• Abstract要約: Bag-of-Tokens (JSON-Bag) は,その記述をトークン化することによって,ゲーム軌跡を汎用的に表現する手法である。 この手法はランダムフォレストをベースとした特徴選択とゲームステージ固有の特徴の選択によって拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: JSON Bag-of-Tokens (JSON-Bag) is a recently proposed method to generically represent game trajectories by tokenizing their JSON descriptions. We introduce JSON-Bag VF, a game-agnostic approach to training value functions for game-playing agents using JSON-Bag prototypes. We show that this approach can be enhanced with Random Forest-based feature selection and a method to select game-stage-specific features. We evaluate JSON-Bag VF with One-step-look-ahead (JSON-Bag OSLA) on six tabletop games over different combinations of prototype-tokenization and feature selections. JSON-Bag OSLA outperforms baseline OSLA agents in most games. Our analysis also shows that feature selection significantly improves JSON-Bag VF and that feature selection is the most important factor in JSON-Bag VF performance, over prototype-tokenization.
• Abstract（参考訳）: JSON Bag-of-Tokens(JSON-Bag)は、JSON記述をトークン化することによって、ゲームトラジェクトリを汎用的に表現する手法である。 本稿では,JSON-Bagプロトタイプを用いたゲームプレイングエージェントの値関数のトレーニング手法であるJSON-Bag VFを紹介する。 この手法はランダムフォレストをベースとした特徴選択とゲームステージ固有の特徴の選択によって拡張可能であることを示す。 試作および機能選択の異なる組み合わせに対して,JSON-Bag VFと1ステップルックアヘッド(JSON-Bag OSLA)を6つのテーブルトップゲーム上で評価した。 JSON-Bag OSLAは、ほとんどのゲームにおいてベースラインOSLAエージェントよりも優れています。 また,機能選択がJSON-Bag VFを大幅に改善し,機能選択がプロトタイプ化よりもJSON-Bag VFのパフォーマンスにおいて最も重要な要因であることを示す。

関連論文リスト

• CoGen: Creation of Reusable UI Components in Figma via Textual Commands [0.0]
  CoGenは機械学習技術を使ってFigmaで再利用可能なコンポーネントを直接生成するシステムである。 このプロジェクトは、Figma APIデータ抽出、Seq2Seqモデル、コンポーネント生成のための微調整UI T5トランスフォーマーを統合する。
  論文  参考訳（メタデータ） (2026-01-15T15:57:59Z)
• DeepJSONEval: Benchmarking Complex Nested JSON Data Mining for Large Language Models [6.653834890554154]
  多層ネスト構造は、データをキーと値のペア、配列、ネストオブジェクトに整理する。 例えば、ニュース集約では、オブジェクトは記事のメタデータ(タイトル、著者、日付)、コンテンツ(テキスト、マルチメディア)、マルチメディア情報(マルチダイアログ、キャプション)を階層的にネストすることができる。 DeepJSONEvalは、2100のマルチドメインインスタンスと深いネスト構造を特徴とする新しいベンチマークで、難易度によって分類される。
  論文  参考訳（メタデータ） (2025-09-30T08:18:20Z)
• JSON-Bag: A generic game trajectory representation [0.0]
  Bag-of-Tokensモデル(JSON-Bag)は、ゲーム軌跡を汎用的に表現する手法である。 本稿では,ゲーム軌跡を汎用的に表現する手法として,Bag-of-Tokensモデル(JSON-Bag)を提案する。
  論文  参考訳（メタデータ） (2025-08-01T15:26:45Z)
• Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
  本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。 最新のLLMはまだ有効な文字列を生成するのに苦労している。 我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-26T06:45:29Z)
• How to Select Datapoints for Efficient Human Evaluation of NLG Models? [57.60407340254572]
  我々は,人間の評価に最も有用なデータポイントを得るために,セレクタスイートを開発し,分析する。 本研究では,自動測定値の分散に基づくセレクタ,モデル出力の多様性,項目応答理論がランダム選択より優れていることを示す。 特に,情報源に基づく推定手法を導入し,情報源のテキストに基づいて人体評価に有用な項目を推定する。
  論文  参考訳（メタデータ） (2025-01-30T10:33:26Z)
• Keypoint Abstraction using Large Models for Object-Relative Imitation Learning [78.92043196054071]
  多様なタスクや環境にまたがる新しいオブジェクト構成やインスタンスへの一般化は、ロボット工学において重要な課題である。 キーポイントに基づく表現は、本質的なオブジェクトキャプチャ機能のための簡潔な表現として有効であることが証明されている。 本稿では,タスク関連およびクロスインスタンス整合性キーポイントの自動生成に,大規模な事前学習型視覚言語モデルを活用するフレームワークであるKALMを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:37:31Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• An adaptable JSON Diff Framework [1.397828249435483]
  非順序比較の概念を導入し、ユーザが柔軟に比較シナリオをカスタマイズできるようにする。 比較シナリオ間の差異をよりよく視覚化し、理解するための差分反応を提供する。
  論文  参考訳（メタデータ） (2023-05-10T03:18:01Z)
• Function Approximation for Solving Stackelberg Equilibrium in Large Perfect Information Games [115.77438739169155]
  汎用ゲームにおける状態値関数の一般化であるtextitEnforceable Payoff Frontier (EPF) の学習を提案する。 Stackelbergの設定にFAを適用する最初の方法です。
  論文  参考訳（メタデータ） (2022-12-29T19:05:50Z)
• Universal-Prototype Augmentation for Few-Shot Object Detection [128.4592084104352]
  Few-shot Object Detection (FSOD)は、ラベル付きサンプルの少ない新しいオブジェクト検出のパフォーマンスを強化することを目的とする。 少数のサンプルの制約を緩和するため、新しいオブジェクトの学習機能の一般化能力の向上が重要な役割を果たす。 我々は,すべての対象カテゴリから学習した新しいプロトタイプ,すなわちユニバーサルプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:35:36Z)

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。