以判别学习应对PCGML的根本张力
机器学习
2018-09-13 v1 机器学习
摘要
通过机器学习进行程序化内容生成（PCGML）通常被视为将生成模型拟合到期望内容分布的全规模样本的任务。该方法呈现一种根本张力：为塑造生成器而投入越多设计精力来制作详细训练样本，应用PCGML本身的回报就越低。对此，我们提出使用在正负样本上训练的判别模型（其捕捉设计的有效性而非内容的分布）。通过对WaveFunctionCollapse的适度修改——一种被商业采用的、我们将其刻画为使用初等机器学习的PCG方法——我们展示了一种用于基于学习的生成器的新型控制模式。我们展示艺术家如何通过批评生成器先前的输出，精心制作一组聚焦的附加正负样本。这种交互模式通过将机器用于定义有效设计的空间而非仅一个新设计，将PCGML与混合主动设计辅助工具相桥接。
引用
@article{arxiv.1809.04432,
title = {Addressing the Fundamental Tension of PCGML with Discriminative Learning},
author = {Isaac Karth and Adam M. Smith},
journal= {arXiv preprint arXiv:1809.04432},
year = {2018}
}