为叙事解谜游戏生成适应难度的规则
我们介绍了 GVGAI 竞赛的新领域 ——General Video Game Rule Generation 问题,该问题的解决方案是使用基于 GVGAI 软件的软件框架,给定一个游戏关卡,生成符合该关卡的游戏规则,我们描述了 API 和三种不同的规则生成器:随机生成器、构造性生成器和基于搜索的生成器,并且初步结果表明,构造性生成器生成有趣的游戏规则,但表达范围有限,而基于搜索的生成器可以生成多样化的游戏规则,但质量参差不齐。
Jun, 2019
本研究探讨使用参数化生成对抗网络(GAN)作为 Lily's Garden 益智游戏的地图生成器,并提出从真实地图中提取控制 GAN 输出细节的两个条件向量,结果显示虽然 GAN 在近似第一个条件(地图形状)方面表现良好,但在近似第二个条件(元素分布)方面表现不佳,因此建议尝试使用替代 GAN 生成器和辨别器的架构来改善实验结果。
Jun, 2023
借助进化游戏设计和遗传算法,本研究扩展了现有的方法来生成《Risk》这个桌游的新变种版本,通过改变地图大小和生成更加平衡的游戏以减短比赛时间,为进一步研究演化游戏设计提供了有希望的方向。
Oct, 2023
本文介绍了两种自动化技术,基于深度强化学习和奖励塑造来控制计算机生成的故事的情节,其中一种利用 PPO 对现有的基于变压器的语言模型进行微调,以生成既能连续文本又能寻求目标的故事;而另一种从不断展开的故事中提取出一个知识图谱,由含有图形注意力机制的策略网络选择由语言模型生成的一个候选连续行。我们根据自动化指标和人类参与者对连贯性和整体故事质量的排名来报告与基线和消融情况的比较。
Dec, 2021
该研究提出了一种适应性水平生成算法,用于 Angry Birds 物理解谜游戏。该算法基于先前的水平生成器,但难度可以根据玩家的表现进行调整,从而创造特定于玩家自身能力的个性化水平。我们使用多个具有不同策略和 AI 技术的智能体来评估所提出的方法的有效性,并将它们作为真实玩家特征的模型 / 代表,以便在大量生成中高效地优化水平属性。作为次要研究,我们还证明了通过将多个智能体的表现结合起来,可以生成对某些玩家特别具有挑战性但对其他玩家不具有挑战性的水平。
Feb, 2019
这篇论文介绍了一项新颖的任务,即多模式拼图解决,其框架是视觉问题回答。我们提出了一个名为 AlgoPuzzleVQA 的新数据集,旨在挑战和评估多模态语言模型在解决需要视觉理解、语言理解和复杂算法推理的算法拼图中的能力。我们的研究表明,GPT4V 和 Gemini 等大型语言模型在拼图解决任务中表现有限,对于大量拼图的多选题回答设置,它们的性能接近随机。这些发现突出了整合视觉、语言和算法知识以解决复杂推理问题的挑战。
Mar, 2024
游戏开发中,难度是玩家参与度的关键因素之一,本文通过模拟数据和队伍统计数据训练的人工神经网络是最准确的难度评估方法。
Jan, 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
通过在生成的课程上训练,我们教会了目标驱动型智能体在位置化环境中交互行为和语言表达。我们通过在大规模众包幻想文本冒险游戏(LIGHT)中学习,增强了 LIGHT 的功能,并学会了生成额外的小说文本世界和任务,以创建一个渐进式递增难度的课程,以训练智能体达到这样的目标。通过从分布的尾部学习,我们测量该课程的难度,根据最初的训练分布中任务的稀有程度评估其难度 —— 更容易的环境是更有可能在未增强数据集中找到的环境。消融研究表明,从分布的尾部学习的这种方法,可以在从未见过的任务上度量的零 - shot 性能方面,产生显着更高的泛化能力。
Oct, 2021