GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Baidu Inc.（百度公司）
本文提出GameGo框架，将简短游戏种子转化为产品需求文档，通过动态压缩训练编码智能体，构建55,060条轨迹数据集和124查询基准，使模型性能超越基线并接近前沿。
2026-10-07 cs.AI
Grammar-based Game Description Generation using Large Language Models
Waseda University（早稻田大学）
本文提出一种利用大语言模型从自然语言生成语法正确的游戏描述（GDL）的两阶段框架，通过语法引导的迭代改进显著优于直接使用LLM输出的基线方法。
2025-01-22 cs.AI
ScriptDoctor: Automatic Generation of PuzzleScript Games via Large Language Models and Tree Search
New York University（纽约大学）；University of Malta（马耳他大学）；University of the Witwatersrand（沃土大学）；Microsoft（微软）
本文提出 ScriptDoctor，一个结合 LLM、编译反馈与搜索智能体游玩测试的迭代系统，用于在 PuzzleScript 中自动生成并验证可玩的益智游戏。
2025-06-06 cs.AI cs.HC
Making New Connections: LLMs as Puzzle Generators for The New York Times' Connections Word Game
New York University（纽约大学）；Jester Labs（杰斯特实验室）
本文研究GPT系列大语言模型生成《纽约时报》连线单词谜题的能力，提出基于思维树提示的生成方法，并通过用户研究证明AI能生成多样且富有挑战性和创造性的谜题。
2024-07-15 cs.AI cs.CL
Grammar and Gameplay-aligned RL for Game Description Generation with LLMs
Waseda University（早稻田大学）
本文提出RLGDG方法，通过引入语法奖励和概念奖励对LLM进行强化学习微调，采用SFT后接RL的两阶段策略，显著提升了从自然语言生成GDL游戏描述的语法正确性与概念保真度。
2025-06-27 cs.AI cs.CL
Do GFlowNets Transfer? Case Study on the Game of 24/42
Indian Institute of Technology, Roorkee（鲁尔基印度理工学院）；Lossfunk（洛斯芬克公司）
本研究通过在24游戏上微调并在42游戏上测试，发现GFlowNets在跨任务迁移中难以保持解决方案的多样性与准确性，揭示了其零样本泛化能力的局限。
2025-03-03 cs.AI cs.CL
Hybrid Voting-Based Task Assignment in Role-Playing Games
Graduate Center, City University of New York（纽约城市大学研究生中心）
提出VBTA框架，结合六种投票方法、预训练LLM和冲突搜索，实现角色扮演游戏中基于能力匹配的任务分配，以提升沉浸感并通用生成战斗与叙事。
2025-02-25 cs.AI cs.RO
Open Role-Playing with Delta-Engines
Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系）
本文提出开放式角色扮演游戏（ORPG）和 Delta-Engine，通过基础引擎与 LLM 神经代理增量生成代码，让玩家用自然语言自由塑造角色成长，并以改编自《宝可梦》的自研游戏验证其数据生成与引擎性能。
2025-03-07 cs.AI cs.HC
Cardiverse: Harnessing LLMs for Novel Card Game Prototyping
Rutgers University（罗格斯大学）；Ontario Tech University（安大略理工大学）；Roblox（Roblox公司）
本文提出Cardiverse框架，利用大语言模型自动生成新颖卡牌游戏变体、一致代码及可扩展游戏AI，加速原型设计并降低开发门槛。
2025-09-09 cs.AI cs.CL cs.MM
Multiverse of Greatness: Generating Story Branches with LLMs
Ritsumeikan University（立命馆大学）；University of Florence（佛罗伦萨大学）
本文提出动态上下文提示/编程框架DCP/P，通过为LLM提供动态上下文历史来生成图结构故事分支，实验证明完整上下文优于仅提供摘要，并分析了生成内容的词语偏差。
2024-11-22 cs.AI cs.CL
ArchiGuesser -- AI Art Architecture Educational Game
AI for Sustainable Construction（可持续建筑人工智能机构）；University of Rostock（罗斯托克大学）
针对生成式AI教育应用的争议背景，本文提出整合多类AI技术的多感官教育游戏ArchiGuesser，以趣味方式教授建筑历史多样性与生成式AI原理。
2023-12-14 cs.AI cs.MM
Generating Game Levels of Diverse Behaviour Engagement
Southern University of Science and Technology (SUSTech)（南方科技大学）
近年来，人们对经验驱动的过程级生成越来越感兴趣。已经制定了各种指标来模拟玩家体验，并帮助生成个性化的水平。在这项工作中，我们的问题是否经验指标可以适应代理不同的人物角色。我们首先回顾评估游戏水平的现有指标。然后，专注于平台游戏，我们设计了一个框架，集成各种代理和评估指标。对\emph{Super Mario Bros.}的实验研究表明，使用相同的评价指标，但不同的人物角色的代理可以产生特定的人物角色的水平。这意味着，对于简单的游戏，使用特定玩家原型的游戏代理作为水平测试器可能是我们生成不同行为参与水平所需的全部。
2022-07-05 cs.AI
GameTraversalBenchmark: Evaluating Planning Abilities Of Large Language Models Through Traversing 2D Game Maps
University of the Witwatersrand（威特沃特斯兰德大学）；New York University（纽约大学）
本文提出GameTraversalBenchmark（GTB），通过2D网格游戏地图评估LLMs的规划能力，发现GPT-4-Turbo得分44.97%，推理模型o1得分67.84%，表明该基准仍具挑战性。
2024-10-10 cs.AI cs.CL
"Press Space to Fire": Automatic Video Game Tutorial Generation
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
我们提出的问题的教程生成的游戏，即生成教程，可以教玩家玩游戏，作为一个AI问题。这个问题可以通过几种方式来解决，包括生成游戏规则的自然语言描述，生成指导性的游戏关卡，以及生成如何使用以类似人类的方式玩游戏的代理来玩游戏的演示。我们进一步认为，通用视频游戏AI框架为解决这个问题提供了一个有用的测试平台。
2018-05-30 cs.AI
Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
实时的【形】策略（RTS）游戏单元生成是程序化内容生成（PCG）研究中一个尚未探索的领域，如何自动生成有趣且平衡的单元是一个尚未解决的问题。在设计RTS游戏时，创建独特而平衡的单位可能是一项艰巨的任务，即使对人类来说也是如此。拥有一种自动化的设计单元的方法可以帮助开发人员加快创建过程，并找到新的想法。在这项工作中，我们提出了一种生成平衡和有用的RTS单元的方法。我们利用基于搜索的PCG和基于蒙特卡罗树搜索（MCTS）的适应度函数。我们提出了十个单位，我们的系统设计用于游戏microRTS，以及结果表明，这些单位是独特的，有用的，和平衡的。
2022-12-07 cs.AI
GameTileNet: A Semantic Dataset for Low-Resolution Game Art in Procedural Content Generation
GameTileNet通过视觉-语言对齐任务，为低分辨率游戏艺术提供语义标注，以支持基于叙事的程序化内容生成。
2025-12-31 cs.AI cs.CL cs.CV
From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models
Institute for Information Processing, Leibniz University Hannover, Germany（汉诺威莱布尼茨大学信息处理研究所）；SDU Metaverse Lab, University of Southern Denmark, Denmark（丹麦南方大学元宇宙实验室）
本文提出利用大语言模型进行因果推理，通过从游戏行为追踪中推断出视频游戏描述语言规则，以更准确地理解游戏机制。
2026-01-30 cs.AI cs.CV cs.LG
Generating Novelty in Open-World Multi-Agent Strategic Board Games
本文介绍GNOME实验平台，通过将游戏智能体与模拟器分离来测试多智能体AI面对非预期新颖性的能力，并概述其在DARPA SAIL-ON项目中的实验设计。
2025-07-04 cs.AI
Generating Levels That Teach Mechanics
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
游戏教程的自动生成是一个具有挑战性的人工智能问题。虽然可以生成向玩家解释如何玩游戏的注释和说明，但本文的重点是生成向玩家介绍游戏机制的游戏体验。它为Mario AI框架发展了一些小级别，只有知道如何在游戏中执行特定动作的代理才能击败这些级别。它使用了一个完美的A* 代理的变体，这些代理在各种方面受到限制，例如不能跳得很高或看到敌人，以测试如何不做某些动作可以阻止玩家击败关卡。
2018-10-01 cs.AI
Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Roblox（罗布乐思公司）；Columbia University（哥伦比亚大学）；University of California, San Diego（加州大学圣地亚哥分校）
针对Roblox游戏推荐因文本特征稀疏不一致导致的内容差距问题，提出基于LLM的游戏档案生成与重排序方法，生成结构化游戏属性并验证其有效性，提升推荐相关性且已部署至生产环境。
2025-02-01 cs.AI cs.CL cs.IR
Generating Diverse and Competitive Play-Styles for Strategy Games
Queen Mary University of London（伦敦玛丽女王大学）；Maastricht University（马斯特里赫特大学）
设计能够实现不同游戏风格的智能体，同时保持游戏的竞争水平是一项艰巨的任务，特别是对于研究界尚未发现超人性能的游戏，如战略游戏。这些要求人工智能处理大的行动空间，长期规划和部分可观察性，以及其他众所周知的因素，这些因素使决策成为一个难题。最重要的是，使用通用算法实现不同的游戏风格而不降低游戏强度并不是微不足道的。在本文中，我们提出了投资组合蒙特卡罗树搜索与渐进式Unpruning玩回合制策略游戏（部落），并展示了它如何可以参数化的质量多样性算法（MAP精英）是用来实现不同的游戏风格，同时保持竞争力的发挥水平。我们的研究结果表明，该算法是能够实现这些目标，即使是一个广泛的收集游戏水平超出了那些用于培训。
2021-06-28 cs.AI
Generating Gameplay-Relevant Art Assets with Transfer Learning
Cinvestav IPN（墨西哥国立理工学院计算机研究中心）；University of Alberta（阿尔伯塔大学）
在游戏开发中，设计引人注目的视觉资产来传达游戏相关的功能需要时间和经验。最近的图像生成方法可以创建高质量的内容，可以降低开发成本，但这些方法没有考虑游戏机制。我们提出了一个卷积变分自编码器（CVAE）系统来修改和生成新的游戏视觉效果的基础上，他们的游戏相关性。我们使用Pokemon精灵和Pokemon类型信息来测试这种方法，因为类型是游戏的核心机制之一，它们直接影响游戏的视觉效果。我们的实验结果表明，采用迁移学习的方法可以帮助提高视觉质量和稳定性看不见的数据。
2020-10-04 cs.AI cs.CV
Representing and Generating Levels Over Time through Playtrace Reconstructive Partitioning
Department of Computing Science, Alberta Machine Intelligence Institute (Amii), University of Alberta（阿尔伯塔大学计算科学系，阿尔伯塔机器智能研究所）
研究如何表示和生成随时间变化的游戏关卡，提出“蛋糕”表示及PRP方法，在《推箱子》游戏领域与六种先进方法比较，能在不牺牲多样性下生成有效关卡，其蛋糕表示更简洁编码游戏动态性质。
2026-07-15 cs.AI
Generating and Blending Game Levels via Quality-Diversity in the Latent Space of a Variational Autoencoder
Northeastern University（东北大学）
几项工作已经展示了使用变分自编码器（VAE）来生成现有游戏风格的关卡以及跨不同游戏混合关卡。此外，质量多样性（QD）算法也已经变得流行，用于通过使用进化来探索搜索空间同时关注多样性和质量来生成各种游戏内容。为了获得这两种方法的好处，我们提出了一个级别生成和游戏混合的方法，结合使用VAE和QD算法。具体来说，我们在游戏级别上训练VAE，并使用VAE的学习潜在空间作为搜索空间来运行MAP-Elites QD算法。潜在空间捕获我们想要生成和混合的游戏的属性，而MAP-Elites搜索这个潜在空间以找到优化给定目标（如可玩性）的不同级别。我们测试我们的方法使用模型为5个不同的平台游戏，以及一个混合域跨越3这些游戏。我们将使用MAP-Elites进行混合称为Blend-Elites。我们的研究结果表明，MAP-Elites与VAE相结合，不仅可以为每个单独的游戏生成一组不同的可玩级别，还可以为混合域生成一组不同的可玩级别，同时照亮混合潜在空间的游戏特定区域。
2021-07-22 cs.AI cs.LG
ByteSized32: A Corpus and Challenge Task for Generating Task-Specific World Models Expressed as Text Games
University of Arizona（亚利桑那大学）；Microsoft Research Montréal（微软蒙特利尔研究院）；New York University（纽约大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本研究调查语言模型生成科学与常识推理任务的显式交互式世界模型的能力，提出ByteSized32语料库，并实证GPT-4通过单次学习和自我反思提升生成可运行文本游戏的效果，引入自动化评估指标，作为世界建模与代码生成交汇领域的挑战任务。
2023-10-23 cs.AI cs.CL
Cine-AI: Generating Video Game Cutscenes in the Style of Human Directors
Aalto University（阿尔托大学）
过场动画是许多视频游戏不可或缺的一部分，但它们的创建成本高，耗时长，并且需要许多游戏开发人员缺乏的技能。虽然人工智能已被用于半自动化的过场动画制作，但其结果通常缺乏专业人类导演所特有的风格的内部一致性和统一性。我们用Cine-AI克服了这个缺点，Cine-AI是一个开源的程序化电影摄影工具集，能够以杰出的人类导演的风格生成游戏中的过场动画。Cine-AI在流行的游戏引擎Unity中实现，具有新颖的时间轴和故事板界面，用于设计时操作，并结合运行时电影摄影自动化。通过两项用户研究，每项研究都采用了定量和定性的方法，我们证明了Cine-AI可以生成人们正确地与目标导演相关联的过场动画，同时提供高于平均水平的可用性。我们的导演模仿数据集是公开的，用户和电影爱好者可以扩展。
2022-08-11 cs.AI cs.HC cs.MM
Automatic Generation of Board Game Manuals
Maastricht University（马斯特里赫特大学）
在本文中，我们提出了一个过程中自动生成手册的棋盘游戏中的Ludii一般游戏系统。这个过程需要解决许多不同的子任务，例如Ludii游戏描述的英文翻译，移动可视化，突出显示获胜移动，策略解释等。然后将这些方面结合起来，为任何给定的游戏创建一个完整的手册。本手册旨在为游戏的规则和机制提供更直观的解释，特别是对于不太熟悉Ludii游戏描述语言和语法的玩家。
2021-09-20 cs.AI
Automatic Game Design via Mechanic Generation
Georgia Institute of Technology（佐治亚理工学院）
游戏设计通常以游戏机制为中心--控制游戏逻辑发展的规则。我们寻求开发一种生成计算机游戏的智能系统。作为实现这一目标的第一步，我们提出了一个可组合的和跨域的游戏机制表示，从人工智能规划动作表示。我们使用一个约束求解器来生成力学受设计要求的形式，这些力学-他们在游戏中做什么。一个计划者会获取一组生成的机制，并测试这些机制是否满足可玩性要求--控制机制在游戏中如何影响玩家行为。我们展示了我们的系统建模和生成机制的角色扮演游戏，平台游戏，并结合角色扮演平台游戏。
2019-08-04 cs.AI
Generating Interactive Worlds with Text
Facebook AI Research（脸书人工智能研究院）；LORIA（洛林计算机科学及其应用实验室）；University College London（伦敦大学学院）
从程序上生成有凝聚力和有趣的游戏环境是具有挑战性和耗时的。为了使游戏元素之间的关系是自然的，常识必须编码到元素的安排。在这项工作中，我们研究了一种机器学习方法，用于使用多玩家文本冒险游戏环境LIGHT中的内容创建世界。我们引入了基于神经网络的模型，将位置、角色和对象组成一个连贯的整体。除了基于现有元素创建世界外，我们的模型还可以生成新的游戏内容。人类还可以利用我们的模型来交互式地帮助构建世界。我们表明，与其他基于机器学习的世界构建算法相比，我们的方法创建的游戏环境是有凝聚力的，多样的，并首选人类评估。
2019-12-04 cs.AI cs.CL cs.LG
Generating Personas for Games with Multimodal Adversarial Imitation Learning
Electronic Arts（美国艺电）
针对强化学习难以建模多样人类游戏风格的问题，提出MultiGAIL，通过辅助参数和多判别器奖励模型在单智能体中生成多种人设策略，并在连续与离散动作环境中验证有效。
2023-08-15 cs.AI cs.LG
Latent Combinational Game Design
Khoury College of Computer Sciences, Northeastern University（东北大学胡里计算机科学学院）
提出潜在组合游戏设计方法，利用GMVAE和CGMVAE生成可玩的混合游戏，控制混合比例，实验证明在平台和地牢游戏中有效。
2023-12-20 cs.AI cs.LG
Robo-Saber: Generating and Simulating Virtual Reality Players
Aalto University（阿alto大学）；University of California, Berkeley（加州大学伯克利分校）；NVIDIA；Simon Fraser University（西蒙弗雷泽大学）
Robo-Saber通过生成和模拟虚拟现实玩家行为，为VR游戏测试提供了一种基于风格范例和数据集训练的运动生成系统。
2026-09-30 cs.AI cs.GR cs.HC
AtDelfi: Automatically Designing Legible, Full Instructions For Games
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
介绍了一种全自动生成电子游戏教程的方法。AtDELFI系统（Automatically DESIGNING LECUBLE，Full Instructions for games）是为了研究如何通过程序生成指导玩家如何玩电子游戏的指令而创建的。我们提出了一种表示的游戏规则和力学使用图形系统以及教程生成方法，使用所述图形表示。我们证明了这个概念，通过测试它的一般视频游戏人工智能（GVG-AI）框架内的游戏，本文讨论了八个不同的游戏生成的教程。我们的研究结果表明，图形表示方案适用于简单的街机风格的游戏，如太空入侵者和吃豆人，但它似乎更复杂的游戏教程可能需要更高层次的游戏理解，而不仅仅是单一的机制。
2018-09-17 cs.AI
General Video Game Rule Generation
University of Essex（埃塞克斯大学）
我们介绍了通用视频游戏规则生成问题，以及将用于通用视频游戏AI（GVGAI）竞赛的新赛道的epsilon软件框架。问题是，给定一个游戏级别作为输入，生成适合该级别的游戏规则。这可以被看作是一般视频游戏关卡生成问题的逆。将这两个问题概念化，有助于将生成完整游戏的难题分解为更小、更易管理的子问题。所提出的框架建立在GVGAI软件上，因此要求规则生成器提供视频游戏描述语言中定义的规则。我们描述了API，和三个不同的规则生成器：一个随机的，建设性的和基于搜索的生成器。早期的结果表明，建设性的发电机产生可玩的，有点有趣的游戏规则，但有一个有限的表达范围，而基于搜索的发电机产生显着不同的规则集，但质量参差不齐。
2019-06-12 cs.AI
Controllable Game Level Generation: Assessing the Effect of Negative Examples in GAN Models
Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）
本研究针对游戏关卡可控生成问题，对比评估CGAN与Rumi-GAN两种GAN变体在有无负样本场景下生成满足可玩性、可控性约束关卡的性能，明确负样本对避免不良输出的作用及各方法优劣。
2024-10-30 cs.AI cs.LG
An Exploration of Collision-based Enemy Morphology Generation
Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所）；Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系）
本文探索了三种基于玩家碰撞信息生成敌人形态的新方法，并证明其性能优于从机器人形态学工作改编的进化基线。
2026-06-01 cs.AI
Hybrid Encoding For Generating Large Scale Game Level Patterns With Local Variations
Southwestern University（西南大学）；Queen Mary University London（伦敦玛丽女王大学）；ITU Copenhagen（哥本哈根信息技术大学）
生成对抗网络（GANs）是一种强大的间接基因型到表型映射的进化搜索。以前将GANs应用于级别生成的许多工作都集中在组合成整个级别的固定大小的段上，但是单个段可能无法内聚在一起。相比之下，人类设计的关卡中的片段通常是重复的，直接的或有变化的，并组织成图案（塞尔达传说第一关中的对称鹰，或超级马里奥兄弟中重复的管道图案）。这种模式可以通过组合模式生成网络（CPPN）来生成。CPPN将潜在向量GAN输入定义为几何形状的函数，将由GAN输出的段组织成完整的级别。然而，潜在向量的集合也可以直接进化，产生更多的混沌水平。我们提出了一种混合方法，首先进化CPPN，但允许潜在向量进化后，结合两种方法的优点。这些方法在《超级马里奥兄弟》和《塞尔达传说》中得到了评估。我们先前通过质量多样性算法证明了CPPN比直接进化的水平更好地覆盖可能水平的空间。在这里，我们证明了混合方法（1）覆盖了其他方法都不能覆盖的区域，（2）实现了相当或更好的QD分数。
2022-04-29 cs.AI cs.NE
Synthetically Generating Human-like Data for Sequential Decision Making Tasks via Reward-Shaped Imitation Learning
Naval Research Laboratory（海军研究实验室）；University of Wisconsin-Whitewater（威斯康星大学怀特沃特分校）
本文提出一种结合奖励塑形与模仿学习的算法，仅用少量人类决策数据即可合成类人决策数据，并在三个序列决策任务中验证其可几乎无差别替代人类数据。
2023-04-14 cs.AI cs.LG
Adversarial Random Forest Classifier for Automated Game Design
University of Alberta（阿尔伯塔大学）
自主游戏设计，即通过算法生成游戏，一直是技术游戏研究领域的一个长期目标。然而，现有的自主游戏设计系统在很大程度上依赖于人类创作的游戏设计知识，如基于搜索的方法中的健身功能。在本文中，我们描述了一个实验，试图学习一个类似人类的适应度函数，以对抗的方式进行自主游戏设计。虽然我们的实验工作没有达到我们的预期，我们提出了我们的系统和结果的分析，我们希望将是有益的，未来的自主游戏设计研究。
2021-07-26 cs.AI cs.LG
Rationalization: A Neural Machine Translation Approach to Generating Natural Language Explanations
Georgia Institute of Technology（佐治亚理工学院）；University of Kentucky（肯塔基大学）
我们介绍了AI合理化，一种用于生成自治系统行为解释的方法，就像人类执行了该行为一样。我们描述了一种合理化技术，该技术使用神经机器翻译将自主智能体的内部状态-动作表示翻译成自然语言。我们评估我们的技术在Frogger游戏环境中，训练一个自主的游戏代理，合理化其行动选择使用自然语言。自然语言训练语料库是从人类玩家在玩游戏时大声思考中收集的。我们激励使用合理化的解释生成的方法，并显示两个实验的结果评估合理化的有效性。这些评估的结果表明，神经机器翻译能够准确地生成描述代理行为的合理化，并且合理化比其他替代解释方法更令人满意。
2017-12-19 cs.AI cs.CL cs.HC
PokéAI: A Goal-Generating, Battle-Optimizing Multi-agent System for Pokemon Red
Qingdao Academy（青岛研究院）；Department of Mathematics and Computer Science（数学与计算机科学系）
提出首个自主游玩《宝可梦 红》的多智能体LLM框架PokéAI，包含Planning、Execution和Critique三个智能体形成闭环决策，其战斗模块胜率达80.8%，并揭示了LLM语言能力与策略推理的关联及独特游玩风格。
2025-06-30 cs.AI cs.MA
Exploring Level Blending across Platformers via Paths and Affordances
Northeastern University（东北大学）；California State Polytechnic University（加州州立理工大学）；Pomona College（波莫纳学院）
用于经由机器学习（PCGML）的过程内容生成的技术已经被证明对于生成新颖的游戏内容是有用的。虽然主要用于以用于训练的游戏领域的风格产生新内容，但最近的工作越来越多地开始探索通过诸如级别混合和领域转移的技术在新领域中发现和生成内容的方法。在本文中，我们建立在这些作品，并介绍了一种新的PCGML方法，用于生产新颖的游戏内容跨越多个领域。我们使用一个新的启示和路径词汇来编码来自六个不同平台游戏的数据，并在此数据上训练变分自编码器，使我们能够捕获跨越所有域的潜在级别空间，并生成不同域比例的新内容。
2020-08-22 cs.AI cs.LG stat.ML
Evolutionary Search in the Space of Rules for Creation of New Two-Player Board Games
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（加齐大学工程科学与技术学院）；Al Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛目穆罕默德·伊本·沙特伊斯兰大学）；National University of Computer and Emerging Science（国立计算机与新兴科学大学）
游戏一直是人工智能技术的热门试验平台。游戏开发者总是在不断地寻找能够自动创建计算机游戏的技术，以最小化开发者的任务。在这项工作中，我们提出了一个进化策略为基础的解决方案自动生成的两个球员的棋盘游戏。为了指导游戏的进化过程，这是娱乐，我们提出了一套指标。这些度量基于计算机游戏中的不同娱乐理论。这项工作还比较了娱乐价值的进化游戏与现有的流行的基于棋盘的游戏。进一步地，为了用人类用户的娱乐价值来验证演进游戏的娱乐价值，进行人类用户调查。除了用户调查，我们检查的可学习性的进化游戏使用人工神经网络为基础的控制器。所提出的度量和进化过程可以用于生成新的和有趣的棋盘游戏，提供初始搜索空间给进化算法。
2014-06-01 cs.AI cs.NE
Evolutionary Machine Learning and Games
New York University（纽约大学）；University of Malta（马耳他大学）；Barnard College（巴纳德学院）
本文系统梳理了进化机器学习在游戏中的多种应用，按进化增强机器学习或机器学习增强进化两种关系组织内容，并简要讨论二者在游戏中的单独使用。
2023-11-20 cs.AI cs.LG cs.NE
A Platform for Generating Educational Activities to Teach English as a Second Language
Facultad de Ingeniería, Universidad de la República（工程学院，乌拉圭共和国大学）；Facultad de Información y Comunicación, Universidad de la República（信息与通信学院，乌拉圭共和国大学）；Indiana University of Pennsylvania（宾夕法尼亚大学）
本文提出了一个基于自然语言处理技术的英语作为外语教学教育活动生成平台，支持开箱即用的游戏和教师自定义练习，并探讨了其开发、部署挑战及未来扩展计划。
2025-04-28 cs.AI cs.CL cs.CY
