程序化内容生成强化学习中的多目标指令感知表示学习
机器学习
2026-05-08 v3 人工智能
摘要
生成式建模的最新进展强调了自然语言作为控制内容生成的高度表达且易于使用的模态的重要性。然而，现有的程序化内容生成指令强化学习（IPCGRL）方法往往难以利用文本输入的丰富表达能力，尤其是在复杂的多目标指令下，导致可控性受限。为解决这一问题，我们提出了 MIPCGRL，一种面向指令内容生成器的多目标表示学习方法，该方法将句子嵌入作为条件。MIPCGRL通过结合多标签分类和多头回归网络，有效训练了一个多目标嵌入空间。实验结果表明，所提出的方法在多目标指令下的可控性提升达13.8\%。处理复杂指令的能力使得内容生成更具表现力和灵活性。
引用
@article{arxiv.2508.09193,
title = {Multi-Objective Instruction-Aware Representation Learning in Procedural Content Generation RL},
author = {Sung-Hyun Kim and Geum-Hwan Hwang and In-Chang Baek and Seo-Young Lee and Kyung-Joong Kim},
journal= {arXiv preprint arXiv:2508.09193},
year = {2026}
}
备注
9 pages, 4 figures