通过游戏设计模式实现可解释的 PCGML
人工智能
2018-09-26 v1
摘要
基于机器学习的程序化内容生成（PCGML）是通过机器学习为游戏生成内容的各类方法的统称。PCGML 的优势之一在于，与基于搜索或语法的 PCG 不同，它不需要手工编写初始内容或规则。相反，PCGML 依赖现有内容与黑盒模型，若无专家知识则难以调优或调整。当人类设计者需要理解如何操纵其数据或模型以达成期望结果时，这一问题尤为突出。我们提出一种通过设计模式实现可解释 PCGML 的方法，其中设计模式充当用户与模型之间的词汇与交互方式。我们证明，在与五位专家设计者（其中四位无任何机器学习专业知识）的交互中，我们的技术优于系统的不可解释版本。
引用
@article{arxiv.1809.09419,
title = {Explainable PCGML via Game Design Patterns},
author = {Matthew Guzdial and Joshua Reno and Jonathan Chen and Gillian Smith and Mark Riedl},
journal= {arXiv preprint arXiv:1809.09419},
year = {2018}
}
备注
8 pages, 3 figures, Fifth Experimental AI in Games Workshop