可控游戏关卡生成：评估GAN模型中负样本的作用
机器学习
2024-10-31 v1 人工智能
摘要
生成对抗网络（GANs）是旨在学习并复制目标分布的无监督模型。这些模型的 vanilla 版本可以扩展为更具可控性的模型。条件生成对抗网络（CGANs）通过使生成器和判别器同时基于某些附加信息（标签）进行条件化来扩展 vanilla GANs。基于互补学习的可控模型，如 Rumi-GAN，已被引入。Rumi-GANs 利用负样本来增强生成器学习正样本的能力。我们评估了两种可控 GAN 变体——CGAN 和 Rumi-GAN——在生成针对特定约束条件（可玩性和可控性）的游戏关卡方面的性能。该评估在两种场景下进行：包含与不包含负样本。目标是确定纳入负样本是否有助于 GAN 模型避免生成不理想输出。我们的发现揭示了每种方法在基于给定正样本和负样本生成输出时强制特定条件方面的优势与劣势。
引用
@article{arxiv.2410.23108,
title = {Controllable Game Level Generation: Assessing the Effect of Negative Examples in GAN Models},
author = {Mahsa Bazzaz and Seth Cooper},
journal= {arXiv preprint arXiv:2410.23108},
year = {2024}
}