Active Learning for Classifying 2D Grid-Based Level Completability

要約

機械学習モデルなどの手続き型ジェネレーターによって生成されたレベルの完了可能性を判断することは、レベルの分析と解決に多くの場合かなりの時間を必要とするソルバー エージェントの使用を伴う可能性があるため、困難な場合があります。
アクティブ ラーニングは、ラベル付きデータの利用が限られているか高価である自然言語処理、画像および音声認識、およびコンピュータ ビジョンでは成功裡に使用されていますが、ゲーム評価ではまだ広く採用されていません。
本稿では、学習レベルの完了可能性分類にアクティブラーニングを使用することを提案します。
アクティブ ラーニング アプローチを通じて、スーパー マリオ ブラザーズ、キッド イカルス、およびゼルダのようなゲームの生成されたレベルの完了可能性を分類する深層学習モデルをトレーニングします。
ランダムなクエリに対して完了可能性をラベル付けするクエリのレベルについてアクティブ ラーニングを比較します。
私たちの結果は、ラベル レベルに対してアクティブ ラーニング アプローチを使用すると、同じ量のラベル付きデータでも分類器のパフォーマンスが向上することを示しています。

要約(オリジナル)

Determining the completability of levels generated by procedural generators such as machine learning models can be challenging, as it can involve the use of solver agents that often require a significant amount of time to analyze and solve levels. Active learning is not yet widely adopted in game evaluations, although it has been used successfully in natural language processing, image and speech recognition, and computer vision, where the availability of labeled data is limited or expensive. In this paper, we propose the use of active learning for learning level completability classification. Through an active learning approach, we train deep-learning models to classify the completability of generated levels for Super Mario Bros., Kid Icarus, and a Zelda-like game. We compare active learning for querying levels to label with completability against random queries. Our results show using an active learning approach to label levels results in better classifier performance with the same amount of labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google