Grammar-based Game Description Generation using Large Language Models

要約

ゲーム デザイン開発の障壁を下げるために、計算プロセスを通じてゲーム デザインを生成する自動ゲーム デザインが研究されてきました。
自動化されたゲーム設計では、進化的アルゴリズムなどの機械学習ベースの技術が成功を収めています。
深層学習の目覚ましい進歩の恩恵を受けて、コンピューター ビジョンと自然言語処理のアプリケーションはレベル生成において進歩しました。
しかし、ゲーム設計におけるデータ量は限られているため、ゲーム記述の生成などのタスクには深層学習の適用が不十分でした。
自動化されたゲーム設計で限られたデータを処理するための新しいアプローチを開拓するために、私たちは大規模言語モデル (LLM) のコンテキスト内学習に焦点を当てています。
LLM は、いくつかのデモンストレーション例からタスクの特徴を把握し、事前トレーニング中に取得した機能を適用できます。
私たちは、ゲーム デザイン空間を効果的に構築するゲーム記述の文法を LLM の推論プロセスに導入します。
文法は、LLM がゲーム記述生成の複雑なタスクの特徴を捉えるのに役立ちます。
さらに、文法を利用して生成された出力を反復的に改善する復号方法を提案します。
私たちの実験では、このアプローチがゲームの説明を生成する際にうまく機能することが実証されました。

要約(オリジナル)

To lower the barriers to game design development, automated game design, which generates game designs through computational processes, has been explored. In automated game design, machine learning-based techniques such as evolutionary algorithms have achieved success. Benefiting from the remarkable advancements in deep learning, applications in computer vision and natural language processing have progressed in level generation. However, due to the limited amount of data in game design, the application of deep learning has been insufficient for tasks such as game description generation. To pioneer a new approach for handling limited data in automated game design, we focus on the in-context learning of large language models (LLMs). LLMs can capture the features of a task from a few demonstration examples and apply the capabilities acquired during pre-training. We introduce the grammar of game descriptions, which effectively structures the game design space, into the LLMs’ reasoning process. Grammar helps LLMs capture the characteristics of the complex task of game description generation. Furthermore, we propose a decoding method that iteratively improves the generated output by leveraging the grammar. Our experiments demonstrate that this approach performs well in generating game descriptions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google