燕麦为何便宜:科尔莫戈洛夫复杂度与过程生成
本文研究了模拟、演化和随机神经网络的超图灵计算能力,通过其真实权重、演化权重和真实概率的科尔莫哥罗夫复杂性进行细致的表征,并在不同网络类型间建立了无限层次的复杂性等级。通过提供这些层次结构的存在和示例,描绘了聚类越来越复杂的函数类构造它们的一般方法。
Sep, 2023
本文主要介绍了一种基于组合生成的方法,在复杂和现代游戏中实现可优化性,解决算法设计复杂度高的问题,并在游戏设计中优化功能要求,旨在推动程序内容生成技术在视频游戏产业中的应用。
Feb, 2023
研究了游戏中的 Procedural Content Generation (PCG) 对于增加机器学习方法的通用性的重要性,特别是学习算法对于过度拟合的困扰和参数随机化的抗拟合方法,以增加算法对于不同环境的适应性和回报。
Nov, 2019
通过使用大型语言模型,本研究提出了一种新颖的方法来通过连续收集个体玩家的游戏数据,实现个性化的程式化内容生成,与传统方法相比,我们的方法在减少玩家在游戏关卡中中途退出的概率方面表现出更好的性能。
Feb, 2024
Quality-diversity algorithms, with explicit behavior metrics searching for a set of high-quality and diverse solutions, provide new opportunities for AI game-playing and procedural content generation, enabling creative human-AI interactions and adaptivity.
Jul, 2019
本文介绍了算法统计学、充分统计量和最小充分统计量的算法理论。它基于由统计模型和模型到数据编码两部分构成的两部分编码,它们可以是隐式或显式。同时,文章也强化和阐述了关于 “Kolmogorov 结构函数” 和 “绝对非随机对象” 的早期结果。
Jun, 2000
论文阐述了计算复杂性理论对于数学知识、强人工智能辩论、计算主义、逻辑无知问题、彭加莫的格鲁谜题、量子力学基础、经济理性、闭合类时曲线等哲学问题的影响,并讨论了计算复杂性理论本身受益于哲学分析的方面。
Aug, 2011
本文介绍了 Procedural Content Generation (PCG) 及其方法,其中 search-based PCG 将给定的任务作为优化问题,通过进化算法解决。我们提出和讨论了三种高效的分析工具:对角线行走、高层次属性的估计以及问题相似度测量。这些分析方法有助于 PCG 方法的比较和生成内容的质量提升。
Feb, 2023
本文研究了利用基因算法和自然语言模型生成规则,将其应用于教育游戏的难度调整。通过应用该方法设计了一款趣味教育游戏,针对幼儿园儿童,且初步实验结果表明该方法能够在二十多代以内找到符合指定难度要求的规则。未来研究将关注数据收集与模型优化。
Jul, 2023