論文の概要: BehaviorFormer: Discovering Behavioral Patterns via Clusterable Next-Token Prediction

• arxiv url: http://arxiv.org/abs/2610.16322v1
• Date: Mon, 12 Oct 2026 07:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.327741
• Title: BehaviorFormer: Discovering Behavioral Patterns via Clusterable Next-Token Prediction
• Title（参考訳）: BehaviorFormer: クラスタブルな次世代予測による行動パターンの発見
• Abstract要約: 我々は、深層クラスタリングアルゴリズムDCSSで次世代の予測変換器を拡張し、よく区切られたクラスタで意味のある表現を学習する。 クラスタを、静止、ローミング、旅行、鉱業、基礎作業、伐採、農業行動を含む7つの解釈可能なカテゴリに分類する。
• 参考スコア（独自算出の注目度）: 1.1842955728255593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering behavioral patterns in open-ended games is challenging due to the lack of clear objectives or ground-truth annotations. In this work, we extend a next-token prediction Transformer with the deep clustering algorithm DCSS to learn meaningful representations with well-separated clusters. In a controlled Minecraft session with 26 players, the method discovers 23 distinct behavioral patterns that generalize across the studied players, further refining structures present in self-supervised representations into clearly separable clusters. We group the clusters into seven interpretable categories covering stationary, roaming, travel, mining, base work, logging, and farming behavior.
• Abstract（参考訳）: オープンエンドゲームにおける行動パターンの発見は、明確な目的や地味なアノテーションが欠如しているため、難しい。 本研究では,深層クラスタリングアルゴリズムDCSSを用いた次世代予測変換器を拡張し,よく区切られたクラスタで意味のある表現を学習する。 26人のプレイヤーによる制御されたMinecraftセッションでは、研究対象のプレイヤー間で一般化される23の異なる行動パターンを発見し、さらに自己監督された表現に存在する構造を、明確に分離可能なクラスタに精製する。 クラスタを、静止、ローミング、旅行、鉱業、基礎作業、伐採、農業行動を含む7つの解釈可能なカテゴリに分類する。

関連論文リスト

• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• Behaviour Discovery and Attribution for Explainable Reinforcement Learning [6.123880364445758]
  強化学習(RL)エージェントへの信頼を構築するには、なぜ特定の決定を下すのかを理解する必要がある。 既存の説明可能性の手法は、しばしば単一状態または全軌道に焦点をあてる。 動作発見とセグメンテーションのための完全にオフラインで報酬のないフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:06:00Z)
• CODEX: A Cluster-Based Method for Explainable Reinforcement Learning [0.0]
  本稿では,状態-作用空間におけるRLエージェントの挙動を効果的に要約できる意味的クラスタリングを取り入れた手法を提案する。 MiniGridとStarCraft IIのゲーム環境での実験では、セマンティッククラスタは時間的およびエンティティ情報を保持する。
  論文  参考訳（メタデータ） (2023-12-07T11:04:37Z)
• CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
  本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。 具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。 本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• Causal Unsupervised Semantic Segmentation [60.178274138753174]
  教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。 本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:54:44Z)
• Forecasting Evolution of Clusters in Game Agents with Hebbian Learning [10.983063391496543]
  本稿では,スタークラフトIIにおけるクラスタの進化を予測するために,教師なし学習と自己教師付き学習を結合したハイブリッドAIモデルを提案する。 提案モデルを用いて,ゲーム内のクラスタの複雑な動きを予測する実験を行った。
  論文  参考訳（メタデータ） (2022-08-19T16:13:41Z)
• Homomorphism Autoencoder -- Learning Group Structured Representations from Observed Transitions [51.71245032890532]
  本研究では,世界に作用するエージェントが,それを修飾する動作と整合した感覚情報の内部表現を学習できるようにする手法を提案する。 既存の作業とは対照的に、我々のアプローチはグループの事前の知識を必要とせず、エージェントが実行可能なアクションのセットを制限しない。
  論文  参考訳（メタデータ） (2022-07-25T11:22:48Z)
• Contrastive Fine-grained Class Clustering via Generative Adversarial Networks [9.667133604169829]
  コントラスト学習を適用することでInfoGANのカテゴリ推論能力を活用する手法であるC3-GANを紹介する。 C3-GANは4つのきめ細かいベンチマークデータセットで最先端のクラスタリング性能を達成した。
  論文  参考訳（メタデータ） (2021-12-30T08:57:11Z)
• Auto-Parsing Network for Image Captioning and Visual Question Answering [101.77688388554097]
  本稿では,入力データの隠れ木構造を発見し,活用するための自動パーシングネットワーク(APN)を提案する。 具体的には、各自己注意層における注意操作によってパラメータ化された確率的グラフモデル(PGM)を課し、スパース仮定を組み込む。
  論文  参考訳（メタデータ） (2021-08-24T08:14:35Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。