通过程序化内容生成提升机器学习的泛化能力

程序化内容生成（PCG）是指在电子游戏和其他游戏中以算法方式生成关卡、任务或角色等内容。受使游戏可重玩、减轻创作负担、限制存储需求以及实现特定美学风格的需求驱动，游戏开发者已设计出大量 PCG 方法。此外，研究者已探索将机器学习、优化和约束求解的方法适配于 PCG 问题。自该领域诞生以来，游戏已被广泛用于 AI 研究，近年来更被用于开发和基准测试新的机器学习算法。通过这一实践，这些算法易受过拟合影响已变得更加明显。通常，算法不会学习到通用策略，而是学习仅适用于具有特定初始参数的特定任务的特定版本的策略。作为回应，研究者已开始探索对问题参数进行随机化，以抵消此类过拟合，并使训练得到的策略能更容易地从一种环境迁移到另一种环境，例如从模拟机器人到真实世界中的机器人。在此我们回顾大量已有的 PCG 工作，我们相信其在提升机器学习方法的泛化能力方面具有重要作用。主要目标是向强化学习/AI 提供来自 PCG 工具箱的新工具，次要目标是向游戏开发者和研究者解释他们的工作与 AI 研究相关的一种方式。