PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09196v3cs.LG

테이블탑 RPG 게임 디자인에서 몬스터 레벨 예측을 위한 머신러닝 적용

Application of machine learning to monster level prediction in tabletop RPG game design

균형 잡힌 적대 캐릭터를 설계하는 것은 테이블탑 롤플레잉 게임(TTRPG) 개발에서 핵심적이면서도 노동 집약적인 작업이다. Pathfinder와 같은 시스템에서 각 몬스터는 그 힘을 요약한 순서형 레벨로 표현되는 수많은 수치 속성으로 기술된다. 본 연구에서는 몬스터의 속성으로부터 이 레벨을 예측하는 태스크를 테이블형 순서형 회귀(tabular ordinal regression)로 정의하여, 머신러닝이 디자이너를 지원할 수 있는지 조사한다. 우리는 공개된 Pathfinder Second Edition 데이터에서 도출한, 본 연구가 아는 한 TTRPG 몬스터 레벨 예측을 위해 특별히 구축된 최초의 데이터셋을 소개한다. 이를 활용하여 반올림 방식을 적용한 고전적 회귀 모델, 전용 테이블형 순서형 회귀 알고리즘, 순서 인식 손실을 사용하는 신경망을 비교한다. 실제 디자인 워크플로를 반영하기 위해, 여러 보완적 지표와 함께 시간 순서 및 확장 윈도우 프로토콜 하에서 모든 모델을 평가한다. 결과적으로 트리 기반 앙상블이 선형 모델 및 신경망 방식보다 우수한 성능을 보이며, 거의 완벽한 순서형 랭킹과 높은 예측 정확도를 달성하였다. 특징 중요도 및 오류 분포와 같은 설명 가능한 AI(Explainable AI) 분석은 모델이 인간의 직관과 일치하며 게임 규칙에 기반한 패턴을 따름을 보여준다. 이러한 결과들은 머신러닝이 디자이너의 판단을 신뢰성 있게 근사하고 몬스터 밸런싱 및 더 넓은 TTRPG 시스템 설계를 위한 효과적인 컴퓨터 지원 도구로 기능할 수 있음을 보여준다.