論文の概要: Reusing Multimodal Agents: Efficient Evaluation of Sound Designs in Games

• arxiv url: http://arxiv.org/abs/2610.27670v1
• Date: Tue, 20 Oct 2026 05:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.663076
• Title: Reusing Multimodal Agents: Efficient Evaluation of Sound Designs in Games
• Title（参考訳）: マルチモーダルエージェントの再利用:ゲームにおける音響設計の効率的な評価
• Abstract要約: 本稿では,マルチモーダル学習と強化学習を用いたゲーム内音響設計を効率的に評価するための新しい枠組みを提案する。 実験結果から, 劣化音や変形音によるエージェント性能の差が検出できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.10262304700896198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel framework for efficiently evaluating in-game sound designs using multimodal learning and reinforcement learning. Sound design significantly influences gameplay and accessibility; however, objective evaluation methods, defined here as automated assessments based on agent performance rather than human ratings, often require retraining agents from scratch for each sound design. Our approach first pre-trains a multimodal encoder that encodes visual and auditory information into a shared latent space. A reinforcement learning agent is then trained using this latent representation. We fine-tune the multimodal encoder for each sound design while keeping the trained policy fixed, allowing us to isolate the effects of sound changes on agent behavior. To evaluate the proposed method, we conducted experiments on games from multiple genres, comparing the performance of blind agents (agents using only sound input) under various sound designs. Experimental results suggest that this approach can detect differences in agent performance caused by degraded or altered sound design. Moreover, we significantly reduce the computational cost compared to retraining the agent from scratch. Experimental results suggest that this approach provides a practical and scalable solution for evaluating in-game sound designs. The source code, data and supplementary document are available: https://github.com/thainv0212/tog-reusing-agents.
• Abstract（参考訳）: 本稿では,マルチモーダル学習と強化学習を用いたゲーム内音響設計を効率的に評価するための新しい枠組みを提案する。 音響設計はゲームプレイとアクセシビリティに大きな影響を及ぼすが、人間の評価ではなくエージェントのパフォーマンスに基づく自動評価としてここで定義される客観的評価手法では、各音響設計ごとにスクラッチからエージェントを訓練する必要があることが多い。 提案手法はまず,視覚情報と聴覚情報を共有潜在空間に符号化するマルチモーダルエンコーダを事前学習する。 次に、この潜伏表現を用いて強化学習エージェントを訓練する。 我々は、訓練されたポリシーを固定しつつ、各音響設計のマルチモーダルエンコーダを微調整し、エージェントの動作に対する音響変化の影響を分離する。 提案手法を評価するために,各種音響設計下でのブラインドエージェント(音声入力のみを用いたエージェント)の性能を比較し,複数のジャンルのゲームに対して実験を行った。 実験結果から, 劣化音や変形音によるエージェント性能の差が検出できることが示唆された。 さらに, エージェントをスクラッチから再訓練するよりも, 計算コストを大幅に削減する。 実験結果から,本手法はゲーム内音響設計の評価に実用的でスケーラブルなソリューションを提供する可能性が示唆された。 ソースコード、データ、補足文書は、https://github.com/thainv0212/tog-reusing-agents.comで入手できる。

関連論文リスト

• NoiseRater: Meta-Learned Noise Valuation for Diffusion Model Training [81.58321000203712]
  NoiseRaterは、拡散モデルトレーニングにおけるインスタンスレベルのノイズ評価のためのメタラーニングフレームワークである。 NoiseRaterは、重要度スコアをデータとタイムステップで条件付けられた個々のノイズ実現に割り当てる。 FFHQとImageNetの実験では、すべてのノイズサンプルが等しく寄与するわけではない。
  論文  参考訳（メタデータ） (2026-05-02T19:43:16Z)
• Generative Multi-modal Feedback for Singing Voice Synthesis Evaluation [8.659397003532488]
  歌声合成評価のための多次元言語と音声フィードバックを提供する生成的フィードバックフレームワークを提案する。 提案手法は, メロディ, コンテンツ, 聴覚品質など, テキストや音声の批判的側面を生成するために, 音声モデルを活用する。 このフレームワークは、生成モデルの改善を導くのに適した音楽的正確で解釈可能な評価を生成する。
  論文  参考訳（メタデータ） (2025-12-02T08:32:09Z)
• Unleashing the Power of Natural Audio Featuring Multiple Sound Sources [54.38251699625379]
  ユニバーサルサウンド分離は、混合音声から異なるイベントに対応するクリーンなオーディオトラックを抽出することを目的としている。 複雑な混合音声を複数の独立したトラックに分解するために,データエンジンを利用するフレームワークであるClearSepを提案する。 実験では、ClearSepは複数の音分離タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-24T17:58:21Z)
• Pivotal Auto-Encoder via Self-Normalizing ReLU [20.76999663290342]
  トランスフォーメーション学習問題として,単一の隠蔽層スパースオートエンコーダを定式化する。 本稿では,テスト時の騒音レベルに不変な予測モデルを実現する最適化問題を提案する。 実験結果から, 各種ノイズに対する安定性が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-06-23T09:06:52Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• ASiT: Local-Global Audio Spectrogram vIsion Transformer for Event Classification [42.95038619688867]
  ASiTは、グループマスク付きモデル学習と自己蒸留を用いて、局所的およびグローバルな文脈情報をキャプチャする、新しい自己教師型学習フレームワークである。 我々は、音声イベント分類、キーワードスポッティング、話者識別を含む音声および音声の分類タスクにおいて、事前訓練されたモデルを評価する。
  論文  参考訳（メタデータ） (2022-11-23T18:21:09Z)
• End-to-End Binaural Speech Synthesis [71.1869877389535]
  本稿では,低ビットレート音声システムと強力なデコーダを組み合わせたエンドツーエンド音声合成システムを提案する。 実感的な聴覚シーンを作るために必要な環境効果を捉える上で, 対人的損失がもたらす効果を実証する。
  論文  参考訳（メタデータ） (2022-07-08T05:18:36Z)
• Agents that Listen: High-Throughput Reinforcement Learning with Multiple Sensory Systems [6.952659395337689]
  そこで我々は,VizDoomシミュレータの新バージョンを導入し,生の音声を観察する高効率な学習環境を構築した。 私たちはエージェントにDoomのフルゲームをするように訓練し、従来のビジョンベースの敵を一貫して打ち負かすことができることに気付きました。
  論文  参考訳（メタデータ） (2021-07-05T18:00:50Z)
• Unsupervised Learning of Audio Perception for Robotics Applications: Learning to Project Data to T-SNE/UMAP space [2.8935588665357077]
  本論文は,接地構造データにアクセスすることなく,触覚の知覚を構築するための重要なアイデアを基礎にしている。 我々は、古典的な信号処理のアイデアを活用して、高い精度で興味のある音の大量のデータを得る方法を示す。
  論文  参考訳（メタデータ） (2020-02-10T20:33:25Z)

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。