[論文レビュー] Anomaly Detection in Video Games.

Benedict Wilkins, Chris Watkins+1 more|arXiv (Cornell University)|May 20, 2020

Digital Games and Media被引用数 1

ひとこと要約

本稿では、バグ同定を正常なプレイパターンの学習として定式化することで、ビデオゲームにおける異常検出のための深層度量化学習アプローチ、State-State Siamese Networks (S3N) を提案する。アタリゲームで評価された結果、S3Nは高精度で一般的なゲームバグを効果的に検出できる意味のある埋め込みを学習する。

ABSTRACT

With the aim of designing automated tools that assist in the video game quality assurance process, we frame the problem of identifying bugs in video games as an anomaly detection (AD) problem. We develop State-State Siamese Networks (S3N) as an efficient deep metric learning approach to AD in this context and explore how it may be used as part of an automated testing tool. Finally, we show by empirical evaluation on a series of Atari games, that S3N is able to learn a meaningful embedding, and consequently is able to identify various common types of video game bugs.

研究の動機と目的

• ラベル付きバグデータを必要とせずに、異常検出手法を用いてビデオゲームの品質保証を自動化すること。
• ビデオゲームの状態シーケンスに特化した深層度量化学習フレームワークの開発。
• ラベル付きバグデータがなくても、効率的かつ正確に一般的なビデオゲームバグを同定すること。
• アタリのような実世界のゲーム環境において、提案手法の有効性を評価すること。

提案手法

• 著者らは、ゲーム状態のペアを比較することで意味のある埋め込み空間を学習する、State-State Siamese Networks (S3N) を設計した。
• S3N は共有重みを用いたシアンプル構造を採用し、正常な状態は近く、異常な状態は遠くに位置する潜在空間にゲーム状態を埋め込む。
• 対照的損失を用いて訓練することで、正常な状態ペアを引き寄せ、異常な状態ペアを押し離す。
• 手作業で特徴を設計せず、入力として生のゲームフレームを用いることで、エンドツーエンドの学習を可能にする。
• テスト状態とその最も近い正常ネイバーとの埋め込み距離を測ることで、異常を検出する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きバグ例に依存せずに、深層度量化学習アプローチがビデオゲームバグを効果的に検出できるか。
• RQ2 S3N は生のゲームフレームから、正常なプレイ行動の意味のある表現をどの程度うまく学習できるか。
• RQ3 S3N は異なるアタリゲーム間で一般化でき、多様な種類のゲームバグを検出できるか。
• RQ4 S3N は、ビデオゲーム状態シーケンスにおけるベースライン異常検出手法と比較して、どの程度のパフォーマンスを示すか。

主な発見

• S3N は、正常なプレイ状態が集まっている意味のある埋め込み空間を効果的に学習した。
• 本モデルは、クリッピング、レベルスキップ、ゲーム状態のロックアップなど、さまざまな一般的なゲームバグについて高い検出精度を達成した。
• アタリゲームにおける実証的評価から、S3N はベースライン異常検出手法を上回ることが確認された。
• 異なるアタリゲーム間で一般化できることから、ゲーム固有の変動に対しても頑健であることが示された。