USING ACCURACY-BASED LEARNING CLASSIFIER SYSTEMS FOR ADAPTABLE STRATEGY GENERATION IN GAMES AND INTERACTIVE VIRTUAL SIMULATIONS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Historically, the artificial intelligence (AI) of interactive virtual simulations or games is usually driven by pre-defined static scripts. One of the disadvantages of such scripted opponents is that they can be deciphered and countered by an intelligent user. Thus, the user has the opportunity to find weaknesses and an easy solution against the virtual simulation, which diminishes the efficiency aspect of a training session or entertaining value drastically. While randomization can be used to mask the static behaviour of a scripted AI, it is possible to develop much richer solutions by applying Learning Classifier System (LCS) techniques to create agents with intelligent-like behaviors. Learning Classifier Systems are rule-based machine learning techniques that rely on a Genetic Algorithm to discover a knowledge map used to classify an input space into a set of actions. In this paper, we propose the use of an unsupervised machine learning technique called Accuracy-based Learning Classifier Systems (XCS) for adaptable strategy generation that can be used in virtual simulations or games. XCS use a Genetic Algorithm to evolve a knowledge base in the form of rules. The performance and adaptability of the strategies and tactics developed with the XCS is analyzed by facing these against scripted opponents on a real time strategy game. According to our experiments, the rulesets are able to adapt to a wide array of behaviors from its opponents, as opposed to a linear game script, which is limited in its ability to adapt to its environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle