Software Hyena::

요약 기존 PCG 기법은 작은 세그먼트 형태의 레벨에서 주로 작동함 GAN을 사용해 여러 세그먼트를 생성하고 이를 하나로 결합해 일관된 전체적인 패턴을 생성하는 것이 목표 서로 다른 세그먼트는 부드럽게 난이도 증가, 혹은 반복 구조, 대칭적이 되도록 이러한 용도로 많이 사용되는 (패턴 생성) Compositional Pattern Producing Networks)를 바탕으로 함 Direct2GAN과 CPPN2GAN 사이의 비교 실험을 진행하는 것으로 보임 레벨의 커버리지 면적이 떨어진다고 함 임의의 레벨 크기에 확장되지 않는다고 함 게임 레벨 이외에도 다른 분야에 관련 있을 수 있다 함 정리 CPPN을 이용해 LVE를 생성하고 LVE를 입력으로 GAN을 사용하는 느낌 젤다와 마리오에 대해 실험 진행 마..

요약 일반적으로 새로운 환경에서 에이전트를 훈련시키는 것은 어려운 작업 이들이 제시한 ARLPCG는 Generator라는 하나의 PCG RL 에이전트와 Solver라는 문제 해결 RL 에이전트를 사용하는 적대적 모델로 이뤄짐 Generator는 Solver의 성능에 따라 보상을 받으며, 도전적이지만 불가능하지 않은 환경을 생성 추가로 다양한 환경 생성을 위한 보조 입력을 추가함 Solver는 Generator가 생성하는 것을 해결함으로써 일반화 성능 향상 Generator는 Solver가 풀 수 있는 새로운 환경 생성 third-party platformer와 racing 게임을 예시로 사용함 정리 PCGRL과의 차이점 Solver 에이전트가 다음 단게에 도달해야 Generator가 다음 단계를 생성함 ..

요약 강화학습이 레벨 디자인 에이전트를 훈련시키는데 사용될 수 있는 방법 조사 훈련 예제가 거의 없거나 없는 경우에도 쉽게 사용 가능 세 가지 다른 방법 조사 및 세 가지 게임 환경에 적용 정리 어떻게 하면 레벨 생성 문제를 해결 가능한 강화학습 문제로 제시할 수 있을까? 에서 출발한 연구 일반적인 DL 기반 접근 방식과 차이점은 각 단계마다 완전한 레벨로 나아간다는 점 이들은 게임 레벨을 강화학습 문제로 취급하기 위해 아래와 같이 세 가지 다른 표현을 제시함 Narrow representation Turtle representation Wide representation 이들은 PCGRL을 어떤 게임에서든 쓸 수 있도록 일반화하기 위해 세 가지 부분으로 프레임워크를 나눔 Problem module: 목..

요약 panorama of RL DL과 RL을 키워드로한 연구들 (ATARI, Chess, Go 등) 분석 public data, framework 등을 찾음 정리 Game 환경 (game world), action(game controls) evaluation criteria(game score) 등에 RL이 사용됨 초반에는 ATARI 2600 game들이 이후엔 DOTA2, Starcraft, Chess, Go 등에 적용되었고 DQN type의 알고리즘이 다른 고전적인 RL algorithm 보다 동작을 잘 했다. Background : MDP, RL, Policy, State Evaluation, Energy Evaluation, Bellman Equations, Best Policy, Policy..

요약 Deep Learning 기반의 간접 혹은 직접적으로 연관이 있는 PCG 연구에 관한 Survey 논문임 정리 Game Levels, Text, Character models. Textures 에 관해 다루는 것으로 파악됨 무엇을 생성하는지에 따른 제양사항과 이점, 예시를 포함해 설명 예정 딥러닝 이전에서는 searchbased methods, solver-based methods, constructive generation methods (such as cellular automata and grammarbased methods), fractals, noise, and ad-hoc methods을 진행함 검색 기반, 솔버 기반, 구성적 생성 (셀롤러 자동화 및 문법 기반), 프렉탈, 노이즈, ad..

요약 싱글비디오게임에서 난이도 정의의 필요성을 연구, enjoyment와 난이도의 관계등. automatic gameplay analysis 도 간단한 실험해봄 → 난이도 고려안하면 결과가 이상하게 나옴. 마지막 세션에서 플레이어와 게임디자이너에게 challenge와 difficulty를 정의함. 결론적으로 이게 difficulty로서 쓰일거임 정리 Difficulty Scaling은 게임디자인의 근본적인 요소지만 명백한 방법이 없음 Related Work 로 Synthetic Player로 Testing을 하는 방법이 있음. Mathmatical 한 expression을 찾기 Experiment the game and measure the paraemter real을 쓰든 Synthetic을 쓰던 ex..

요약 Game Level Generation의 자동화는 사용자가 다시 게임을 하도록 하게 하는 가능성을 높임. 근데 difficulty 정의가 어려움. 그래서 우리가 그거 metric 연구함. platform level과 user의 각 장애물마다의 실패율을 metric으로 제시. 이 metric은 automated process 에 사용가능. 실제 상용화된 게임에도 적용한 예시도 포함되어있음 정리 왜 Difficulty 를 Measure 하느냐? Automatic하게 kind of levels 을 만들거기 때문이다. platform level generation에 접근법이 여러개가 있지만 몇가지만 효과적이다. 논문에서는 근본적인 질문을 던짐 What makes a level difficult? 스타트포인..

Question : 평균(Mean)과 중앙값(Median) 중에 어떤 케이스에서 뭐를 써야 할까요? 1. 평균 일반적으로 데이터의 모든 값의 총합을 개수로 나눈 산술 평균(arithmetic mean)을 의미한다. 그냥 평균이라고도 불린다. 2. 중앙값 중앙값 또는 중위수는 어떤 주어진 값들을 크기의 순서대로 정렬했을 때 가장 중앙에 위치하는 값을 의미한다. 예를 들어 1, 2, 100의 세 값이 있을 때, 2가 가장 중앙에 있기 때문에 2가 중앙값이다. 값이 짝수개일 때에는 중앙값이 유일하지 않고 두 개가 될 수도 있다. 이 경우 그 두 값의 평균을 취한다. 예를 들어 1, 10, 90, 200 네 수의 중앙값은 10과 90의 평균인 50이 된다. Answer : 일반적으로는 평균을 사용하지만 데이터의..

Question : 중심극한 정리는 왜 유용한걸까요? 확률론과 통계학에서 중심 극한 정리(central limit theorem, CLT)는 동일한 확률분포를 가진 독립 확률 변수 n개의 평균의 분포는 n이 적당히 크다면 정규분포에 가까워진다는 정리이다. 평균 u, 분산 sigma^2인 모집단에서 크기가 n인 선택가능한 모든 표본을 뽑으면 모집단의 확률분포 모양과는 상관없이 표본평균 표집의 확률분포는 표본의 크기(n)를 증가시킬수록 정규분포에 접근한다. 즉, 모집단의 모평균을 중심으로 정규분포를 이룬다. 중심극한정리가 왜 유용하고 중요할까? 통계학에서 중요한 부분 중 하나가 모집단의 특성(모수)를 추정하는 것인데 각각의 표본은 모집단의 특성을 나타내기에는 부족하다. 하지만 (표본들의 더하여 그 개수만큼 ..

Question : R square 의 의미는 무엇일까요? 회귀분석의 성능 평가 척도 중 하나로, 결정력이라고도 한다. - R-square는 독립변수가 종속변수를 얼마나 잘 설명하는 지를 나타낸다. - R-square는 0과 1 사이 값을 가진다. - MSE, RMSE, MAE의 경우 작을수록 좋지만 R-square 는 클수록 좋다. - 1에 가까울수록 독립변수가 종속변수를 잘 설명할 수 있다. R-squared은 다음과 같은 수식을 통해 계산한다. - SST (Total Sum of Squares): 총제곱합 = (관측값 - 평균)의 제곱합 - SSE (Explained Sum of Squares): 회귀제곱합 = (예측값 - 평균)의 제곱합, 설명된 분산 - SSR (Residual Sum of Sq..