Fugu-MT 論文翻訳(概要): Rock, Paper, Scissors, ... Dynamite - A Model of Disruption from New Technologies

論文の概要: Rock, Paper, Scissors, ... Dynamite - A Model of Disruption from New Technologies

arxiv url: http://arxiv.org/abs/2609.00207v1
Date: Mon, 31 Aug 2026 18:18:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-02 16:31:35.959427
Title: Rock, Paper, Scissors, ... Dynamite - A Model of Disruption from New Technologies
Title（参考訳）: 岩, 紙, シザー, ダイナマイト - 新技術による破壊のモデル
Abstract要約: 1人のプレイヤーに多目的なダイナマイトの動きを提供することは、限られた価値をもたらす。先行動作が戦略的にプレイできない、あるいは時代遅れになるいくつかのメカニズムを観察する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We seek to understand the effect of adding disruptive highly-capable new technologies to competitions by assessing the addition of Dynamite to Rock-Paper-Scissors. We find that providing a versatile Dynamite move to only one player provides limited value (win probability increases from 50% to 55.5%) and is played rarely. That value decreases further if the game is expanded beyond just the original three moves. We also observe several mechanisms by which prior moves can become strategically unplayable, or obsolete. We hope that this model illustrates some non-intuitive aspects of developing new versatile technologies. We also hope that it illustrates some pitfalls for developers and integrators to avoid in order to create value rather than merely capability.
Abstract（参考訳）: 我々は,岩盤パパー・シッサーへのダイナマイトの追加を評価することで,競争に破壊的かつ高機能な新技術を加える効果を理解することを目的とする。 1人のプレイヤーに多目的なダイナマイトの動きを提供することで、限られた値(ウィン確率は50%から55.5%に増加する)が得られ、ほとんど演奏されない。この値は、ゲームが元の3つの動きを超えて拡張されるとさらに減少する。また,先行動作が戦略的にプレイ不可能になったり,時代遅れになったりするいくつかのメカニズムも観察する。このモデルには、新しい汎用技術を開発するための直感的でない側面が示されることを願っている。また、単に機能ではなく価値を生み出すために、開発者やインテグレータが避けるべき落とし穴も示してくれることを期待しています。

関連論文リスト

Play Like Champions: Counterfactual Feedback Generation in Latent Space [10.090846922590462]
本稿では,反ファクトパス生成のためのフレームワークであるLatent Maps of Performanceを紹介する。我々は23,305のプロトーナメントリプレイでガイド付き変分オートエンコーダモデルを訓練した。我々は、私たちが採用しているパスフィニング手法にはトレードオフがあり、将来の研究が人間の改善のためのモデルソリューションの開発に集中することを望んでいると結論づける。
論文参考訳（メタデータ） (2026-06-30T21:15:34Z)
NitroGen: An Open Foundation Model for Generalist Gaming Agents [101.41866522979548]
NitroGenは、ジェネラリストゲームエージェントのためのビジョンアクション基盤モデルである。 1000以上のゲームで4万時間のゲームプレイビデオでトレーニングされている。
論文参考訳（メタデータ） (2026-01-04T16:24:50Z)
Style-Preserving Policy Optimization for Game Agents [3.9039720954900243]
MMPPO(Mixed Proximal Policy Optimization)は、異なるスタイルを維持しながら、既存の準最適エージェントの能力を向上させるように設計されている。 MPPOは、デモ参加者のプレイスタイルを保ちながら、純粋なオンラインアルゴリズムに匹敵する、あるいはそれより優れている熟練度を達成している。
論文参考訳（メタデータ） (2025-06-20T13:46:06Z)
Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文参考訳（メタデータ） (2025-02-24T14:53:45Z)
GameFactory: Creating New Games with Generative Interactive Videos [50.368593726912856]
生成ビデオは、新しいコンテンツを自律的に作成することによって、ゲーム開発に革命をもたらす可能性がある。本稿では,アクション制御型シーン汎用ゲーム生成フレームワークであるGameFactoryを紹介する。実験により,GameFactoryはオープンドメインアクション制御可能なゲームビデオを効果的に生成することを示した。
論文参考訳（メタデータ） (2025-01-14T18:57:21Z)
Balance, Imbalance, and Rebalance: Understanding Robust Overfitting from a Minimax Game Perspective [80.51463286812314]
敵対的訓練(AT)はおそらく、頑健な特徴を抽出するための最先端のアルゴリズムである。 ATは、特に学習率(LR)が崩壊した後、深刻な強固な過適合問題に悩まされる。我々は, LR崩壊が, より強い記憶能力でトレーナーに力を与えることにより, ミニマックスゲーム間のバランスを損なうことを示す。
論文参考訳（メタデータ） (2023-10-30T09:00:11Z)
Mimicking To Dominate: Imitation Learning Strategies for Success in Multiagent Competitive Games [13.060023718506917]
我々は、対戦者の次の動きを予測するための新しいマルチエージェント模倣学習モデルを開発する。また、模倣学習モデルとポリシートレーニングを組み合わせた、新しいマルチエージェント強化学習アルゴリズムを1つのトレーニングプロセスに導入する。実験結果から,本手法は既存のマルチエージェントRLアルゴリズムと比較して性能が優れていることがわかった。
論文参考訳（メタデータ） (2023-08-20T07:30:13Z)
Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文参考訳（メタデータ） (2023-03-23T17:43:17Z)
Automated Play-Testing Through RL Based Human-Like Play-Styles Generation [0.0]
強化学習は、ビデオゲームのテストを自動化する必要性に対する有望な答えである。 CARMI: aを提示します。入力として相対測度を持つエージェント。以前は目に見えないレベルであっても、プレイヤーのプレースタイルをエミュレートできるエージェント。
論文参考訳（メタデータ） (2022-11-29T14:17:20Z)
Dealing with Adversarial Player Strategies in the Neural Network Game iNNk through Ensemble Learning [10.30864720221571]
本稿では,iNNkにおける対戦型プレイヤー戦略に焦点をあてる。転送学習とアンサンブル法を組み合わせて,これらの戦略へのデータ効率の適応を求める手法を提案する。本稿では,NNゲームが急速に発展する分野において,本手法が有用であると期待する。
論文参考訳（メタデータ） (2021-07-05T14:25:44Z)
What Can I Do Here? Learning New Skills by Imagining Visual Affordances [128.65223577406587]
提案手法は,ロボットが可利用性の視覚的表現を学習する上で,どのような結果が得られるかを示す。実際、事前データは、ロボットが不慣れな状況に遭遇したとき、そのモデルから潜在的な結果をサンプリングするように、どのような結果が得られるかを学ぶのに使用される。本稿では, VAL(visuomotor affordance learning)を用いて, 生画像入力で動作する目標条件付きポリシーの学習を行う。
論文参考訳（メタデータ） (2021-06-01T17:58:02Z)
Deep Reinforcement Learning for FlipIt Security Game [2.0624765454705654]
本稿では,エージェントが対戦者の異なるクラスに適応し,最適な対ストラテジーを学習する深層学習モデルについて述べる。 FlipItは、プレイヤー、攻撃者、ディフェンダーの双方が共有リソースの所有権を競う2人プレイのセキュリティゲームです。我々のモデルは、Qラーニングと組み合わせたディープニューラルネットワークであり、リソースの所有時間の最大化のために訓練されている。
論文参考訳（メタデータ） (2020-02-28T18:26:24Z)
Efficient exploration of zero-sum stochastic games [83.28949556413717]
ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
論文参考訳（メタデータ） (2020-02-24T20:30:38Z)

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。