本文旨在探讨使用机器学习的方法生成游戏内容，涉及的技术包括神经网络、马尔可夫模型等，讨论了该方法在游戏设计中的应用及存在的问题。
Feb, 2017
本文介绍了一个通过 PLGML 代理进行共创级别设计的框架，并通过用户研究和比较研究的结果来支持该框架。
Sep, 2018
本研究探讨了通过机器学习进行程序化内容生成技术在游戏领域的应用，着重介绍了如何基于多个游戏领域构建新的自动生成游戏关卡的方法，使用了多个游戏平台的数据，并训练了变分自编码器以跨越各个领域的潜在关卡空间来生成新的内容。
Aug, 2020
本文提出一种新的游戏水平融合方法，利用聚类的瓷砖嵌入技术作为无注释游戏的水平表示，将其应用于经典的任天堂游戏 Lode Runner 和 The Legend of Zelda，比较其在混合任务中的表现。
Jun, 2023
近期，大型语言模型的出现为过程性内容生成带来了新的机遇。这篇论文探讨了通过大型语言模型生成游戏的可能性，提出了一种基于视频游戏描述语言的大型语言模型框架，可以同时生成游戏规则和关卡。实验结果展示了这个框架如何根据不同的上下文进行生成，为过程性内容生成领域中的新游戏生成提供了新的见解。
Apr, 2024
研究如何使用强化学习训练级别设计代理，将关卡设计视为游戏并将内容生成器本身学习，并探讨了三种不同的转换二维层次设计问题的马尔可夫决策过程，将其应用于三个游戏环境中。
Jan, 2020
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
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
本研究介绍了通过图像修复中的两种技术 —— 自动编码器和 U-net，针对视频游戏关卡恢复和扩展问题进行水平修补的内容增强方法，并通过综合案例研究证明了它们相对于基准方法的优越性能，同时提供了未来研究的潜在方向。
Sep, 2023
我们介绍了一种名为 Tree-based Reconstructive Partitioning (TRP) 的新型 PCGML 方法，它能够解决在游戏开发的早期阶段应用 PCG 和 PCGML 方法的问题。我们的实验证明，TRP 产生的关卡更具可玩性和一致性，而且在使用较少训练数据时更具普适性。我们认为 TRP 是一种有前景的新方法，它可以在游戏开发的早期阶段引入 PCGML 而不需要人工专业知识或大量训练数据。