PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.13570v2cs.AI

강화학습 기반 콘텐츠 생성기를 위한 국소 제약 조건 학습

Learning Local Constraints for Reinforcement-Learned Content Generators

WFC(Wave Function Collapse)와 같이 기존 콘텐츠로부터 국소 제약 조건(local constraints)을 학습하는 제약 조건 기반 게임 콘텐츠 생성기는 시각적으로 만족스러운 게임 레벨을 생성할 수 있지만, 플레이 가능성과 같은 전역적 특성을 최적화하는 데는 어려움을 겪습니다. 반면, 강화학습(RL)으로 학습된 생성기는 이러한 특성을 보상(reward) 함수에 쉽게 포함할 수 있어 전역적 특성을 최적화할 수 있지만, 결과물이 시각적으로 만족스럽지 않을 수 있습니다. 본 논문에서는 이러한 방법들을 결합하는 방안을 탐색합니다. 구체적으로는 WFC로 학습된 제약 조건을 통해 PCGRL 생성기의 행동 공간(action space)을 제한함으로써, PCGRL 생성기가 국소 제약 조건을 준수하도록 강제되는 동시에 전역적 특성을 달성할 수 있도록 합니다. 이 하이브리드 콘텐츠 생성 방식이 어떻게 작동하는지 더 잘 분석하기 위해 입력의 수와 유형을 다양화하고, 시작 상태를 무작위로 붕괴(collapse)시킬지 여부와 희귀 패턴을 제외할지 여부를 테스트합니다. 이 방법은 하이퍼파라미터(hyperparameter) 튜닝에 민감하지만, 학습된 생성기 중 가장 우수한 모델은 로드 러너(Lode Runner) 레벨과 같이 원하는 전역적 특성을 갖추면서도 시각적으로 만족스럽고 플레이 가능한 퍼즐 플랫폼 게임 레벨을 생성합니다.

arXiv:2607.02082v1cs.NE

Evolutionary Wave Function Collapse

Wave Function Collapse(WFC)와 진화 탐색을 결합하여 완전한 레벨을 직접 진화시키는 대신 WFC의 소형 입력 예제를 진화시키는 방법을 제안하며, WFC를 유전자형-표현형 매핑으로 활용한다. 미로(Maze)와 젤다(Zelda) 던전 두 도메인에서 평가한 결과, 지역적 인접 관계에서 원하는 특성이 자연스럽게 발현되는 미로 도메인에서는 진화 최적화가 효과적이었으나, 전역적 제약이 필요한 젤다 도메인에서는 WFC의 지역 패턴 한계로 인해 여전히 어려움이 있음을 보였다.