論文の概要: Compiling VGDL into Causal Models

• arxiv url: http://arxiv.org/abs/2609.05459v1
• Date: Mon, 10 Aug 2026 08:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.482523
• Title: Compiling VGDL into Causal Models
• Title（参考訳）: VGDLを因果モデルにコンパイルする
• Abstract要約: 強化学習と大規模言語モデルは、しばしばゲーム環境の因果力学を正確に捉えるのに苦労する。 本稿では,ゲーム記述言語で指定されたゲームを動的構造因果モデルにコンパイルする決定論的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 64.43268969806098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning and large language models often struggle to accurately capture the causal mechanics of game environments. Standard reinforcement learning agents tend to rely on spurious correlations, while large language models are prone to hallucinating game rules. Although causal reinforcement learning improves interpretability, there is currently no formal methodology to map complex game mechanics directly into causal models. To address this, we propose a deterministic framework that compiles games specified in the Video Game Description Language into Dynamic Structural Causal Models. Rather than inferring causal structures from gameplay traces or noisy large language models' outputs, our methodology directly translates game components, including sprite dynamics, interaction rules, and termination conditions, into explicit structural equations. Each game tick represents a causal transition from state variables at time $t$ to $t+1$. By establishing this grounded mapping, the approach guarantees absolute causal fidelity to the ground-truth game mechanics. The resulting models offer transparent causal pathways that support counterfactual reasoning, causal reinforcement learning agent training, and procedural content validation. This framework provides a principled bridge between symbolic game descriptions and causally grounded game AI.
• Abstract（参考訳）: 強化学習と大規模言語モデルは、しばしばゲーム環境の因果力学を正確に捉えるのに苦労する。 標準的な強化学習エージェントは急激な相関に頼りがちだが、大きな言語モデルはゲームルールを幻覚させる傾向がある。 因果強化学習は解釈可能性を向上させるが、現在では複雑なゲーム力学を直接因果モデルにマッピングする正式な方法論はない。 そこで本研究では,ゲーム記述言語で指定されたゲームを動的構造因果モデルにコンパイルする決定論的フレームワークを提案する。 ゲームプレイのトレースやノイズの多い大言語モデルの出力から因果構造を推定するのではなく,スプライトダイナミクス,インタラクションルール,終了条件などのゲームコンポーネントを直接,明示的な構造方程式に変換する。 各ゲームティッチは、状態変数から時間$t$から$t+1$への因果遷移を表す。 この基底写像を確立することにより、この手法は接地トラスゲーム力学に対する絶対因果忠実性を保証する。 得られたモデルは、対実的推論、因果的強化学習エージェントトレーニング、手続き的内容検証をサポートする透明な因果経路を提供する。 このフレームワークは、象徴的なゲーム記述と因果的に接地されたゲームAIの間に原則化されたブリッジを提供する。

関連論文リスト

• From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models [64.43268969806098]
  本稿では,観測データから法則を推定できる因果誘導について検討する。 本稿では,VGDL生成に対する2つのアプローチを比較する。観測からの直接コード生成と,まず構造因果モデル(SCM)を推定し,次にVGDLに変換する2段階法である。 その結果,SCMに基づくアプローチは,直接生成よりも基礎的真実に近いVGDL記述を多く生み出すことがわかった。
  論文  参考訳（メタデータ） (2026-01-30T08:48:23Z)
• Look-ahead Reasoning with a Learned Model in Imperfect Information Games [3.4935179780034242]
  本稿では,エージェントと環境の相互作用から不完全情報ゲームの抽象モデルを直接学習するアルゴリズムを提案する。 テスト期間中、このトレーニングされたモデルは、ルックアヘッド推論を実行するために使用されます。 LAMIRは十分なキャパシティで正確なゲーム構造を学習し、限られたキャパシティではまだ貴重な抽象化を学習していることを実証的に実証する。
  論文  参考訳（メタデータ） (2025-10-06T17:26:56Z)
• Fly, Fail, Fix: Iterative Game Repair with Reinforcement Learning and Large Multimodal Models [7.989185500830854]
  ゲームデザインは、静的なルールとコンテンツが動的プレイヤーの振る舞いにどのように変換されるかを理解することに焦点を当てている。 ゲームをプレイする強化学習(RL)エージェントと,大規模なマルチモーダルモデル(LMM)を組み合わせて,このギャップを埋める自動設計フレームワークを提案する。 LMMデザイナは、ゲームプレイ目標と現在のゲーム設定を受信し、プレイトレースを分析し、その設定を編集して、目標に向けた将来の行動を判断する。
  論文  参考訳（メタデータ） (2025-07-16T22:45:40Z)
• 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)
• Reasoning about Causality in Games [63.930126666879396]
  因果推論とゲーム理論推論は人工知能の基本的なトピックである。 本稿では,エージェントの意思決定ルールとゲームを管理する分布の依存関係をエンコードするメカニケードゲームを紹介する。 因果ゲームと他の形式主義の対応を記述し、他の因果ゲームやゲーム理論モデルがサポートしていない問合せにどのように因果ゲームが使えるかを説明する。
  論文  参考訳（メタデータ） (2023-01-05T22:47:28Z)

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。