Dec, 2023

使用 LSTM 网络自动检测游戏中的错误

PDF
TL;DR我们提出了一个新的框架，使用长短期记忆（LSTM）网络来检测感知缺陷，将视频游戏中的缺陷检测为异常，并通过聚类来确定发生的缺陷类别。该框架在两个第一人称射击游戏上进行了评估，结果显示了框架的有效性。
perceptual bugslong short-term memory networkvideo gamesbug detectionframework evaluation
发现论文，激发创造
  • 基于 LLM 的文本游戏自动错误检测

    通过基于大型语言模型的方法，我们提出了一种自动识别互动游戏中逻辑和设计缺陷的系统化方法，该方法应用于文本游戏 DejaBoom! 上能够高效地识别大型语言模型驱动的互动游戏中的缺陷，并填补了自动检测逻辑和设计缺陷的空白。

    Jun, 2024

  • 大型语言模型是相当不错的零样本视频游戏缺陷检测器

    本研究探讨了利用大型语言模型的零样本能力来进行视频游戏中漏洞检测的可能性，并将漏洞检测问题表述为问答任务。我们介绍了 GameBugDescriptions 基准数据集，展示了六个模型在该数据集上的表现。结果表明，使用适当的提示技术，我们可以在某些游戏中实现高达 78.94％的准确度，为视频游戏漏洞检测提供了积极的前景。

    Oct, 2022

  • 使用长短期记忆网络预测电子游戏结果

    我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络（LSTM）的方法通过仅使用每个玩家的健康指标作为时间序列，实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例，评估了我们模型在此游戏中的表现，并与流行的时间序列预测方法进行了对比。最后，我们公开了数据集和代码，以期促进对街机游戏的预测性分析进一步的研究。

    Feb, 2024

  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 基于长短期记忆循环神经网络的集体异常检测

    本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

    Mar, 2017

  • 长短时记忆网络自动规则提取

    本文提出了一种新方法，通过追踪给定输出对 LSTM 的给定输入的重要性来识别一致重要的单词模式，从而将其简化为一组代表性短语，并基于这些短语构造了一个简单的基于规则的分类器，从而近似于 LSTM 在情感分析和问题回答上的输出。

    Feb, 2017

  • 在游戏开发中利用大型语言模型进行高效的故障分析

    这篇论文提出了一种利用大型语言模型（LLMs）自动识别导致测试失败的代码更改的新方法，并通过定量和定性评估验证了该方法的有效性。通过 EA 开发者报告的问题进行的数据集评估结果显示，我们的方法在准确率上达到了 71％。此外，通过用户研究对我们的模型进行了评估，结果显示在开发者的视角下使用该工具可以显著减少问题调查所需的时间，最高可达 60％。

    Jun, 2024

  • 学习如何识别三维视频游戏中的感知缺陷

    本论文提出了利用学习方法，基于玩家所看到的渲染游戏屏幕，能够识别一系列感知错误的可能性，从而解决自动化游戏 bug 检测的问题，并且开发了一个名为 “World of Bugs” 的开放平台来测试该方法。

    Feb, 2022

  • 具有时间感知特征图的移动视频物体检测

    本文提出了基于反复卷积结构的在线物体检测模型，并使用瓶颈长短时记忆层来降低计算成本。该模型在移动 CPU 上实现了 15 FPS 的实时推断速度。

    Nov, 2017

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016