Poste de recherche
La génération de contenu procédural par l'apprentissage automatique (PCGML) a permis de produire du nouveau contenu de jeu vidéo grâce à l'apprentissage automatique. Cependant, la majorité des travaux se sont concentrés sur la production de contenu de jeu statique, notamment les niveaux de jeu et les éléments visuels. Il y a eu beaucoup moins de travaux sur le contenu dynamique des jeux, comme les mécanismes de jeu. L'une des raisons de cette situation est l'absence d'une représentation cohérente du contenu dynamique des jeux, qui est essentielle pour un certain nombre d'approches d'apprentissage automatique statistique. Nous présentons un autoencodeur permettant de dériver ce que nous appelons des "encastrements d'entités", une manière cohérente de représenter différentes entités dynamiques dans plusieurs jeux dans la même représentation. Dans cet article, nous présentons la représentation apprise, ainsi que quelques preuves de sa qualité et de son utilité future.
24 février 2022
Poste de recherche
1er février 2022
Poste de recherche
Lisez ce document de recherche, coécrit par Neil Burch et Michael Bowling, boursiers Amii et titulaires de la chaire d'IA du CIFAR Canada : Repenser les modèles formels de prise de décision multi-agents partiellement observables.
6 décembre 2021
Poste de recherche
Lisez ce document de recherche, coécrit par Neil Burch et Micheal Bowling, boursiers Amii et titulaires de chaires d'IA au CIFAR : Le joueur de jeux
Vous cherchez à renforcer les capacités en matière d'IA ? Vous avez besoin d'un conférencier pour votre événement ?
Participez à l'écosystème croissant de l'IA en Alberta ! Les demandes de conférenciers, de parrainage et de lettres de soutien sont les bienvenues.