[論文レビュー] Game Level Clustering and Generation using Gaussian Mixture VAEs

Zhihan Yang, Anurag Sarkar+1 more|arXiv (Cornell University)|Aug 22, 2020

Artificial Intelligence in Games被引用数 4

ひとこと要約

本稿では、『スーパーマリオブラザーズ』『キッド・アイカーラス』『メガマン』のゲームレベルの断片を、教師なしでクラスタリングおよび生成するためにガウス・ミックスチャネル変動オートエンコーダー（GMVAE）を提案する。潜在空間をガウス混合モデルでモデル化することで、ラベルなしに明確なデザインパターンを発見し、望ましい特徴を有する新しいレベルを生成できる。VAE-GMMベースラインに比べ、クラスタリングの分離性と構造的整合性の両面で優れている。

ABSTRACT

Variational autoencoders (VAEs) have been shown to be able to generate game levels but require manual exploration of the learned latent space to generate outputs with desired attributes. While conditional VAEs address this by allowing generation to be conditioned on labels, such labels have to be provided during training and thus require prior knowledge which may not always be available. In this paper, we apply Gaussian Mixture VAEs (GMVAEs), a variant of the VAE which imposes a mixture of Gaussians (GM) on the latent space, unlike regular VAEs which impose a unimodal Gaussian. This allows GMVAEs to cluster levels in an unsupervised manner using the components of the GM and then generate new levels using the learned components. We demonstrate our approach with levels from Super Mario Bros., Kid Icarus and Mega Man. Our results show that the learned components discover and cluster level structures and patterns and can be used to generate levels with desired characteristics.

研究の動機と目的

• 制御可能な生成にラベル付きデータを必要とする条件付きVAEの限界を是正するため、ゲームレベル特徴の教師なしクラスタリングを可能にする。
• GMVAEが設計パターンの事前知識なしに意味的で整合性のあるゲームレベル断片のクラスタを発見できるかを検討する。
• 構造的整合性、分離性、遊びやすさの観点から生成されたレベルの質を評価する。
• クラスタリング効果性と生成忠実度の観点から、GMVAEの性能をVAE-GMMベースラインと比較する。
• ゲームデザイナーがレベル設計の隠れた構造を発見するための探索的ツールとしてのGMVAEの可能性を調査する。

提案手法

• GMVAEモデルは潜在空間にk成分のガウス混合（GM）事前分布を用い、各成分がレベル断片の異なるクラスタを学習可能となる。
• エンコーダは各16x16のゲーム断片を、平均と分散でパrameter化された潜在分布にマッピングし、この分布から潜在ベクトルをサンプリングする。
• デコーダはサンプリングされた潜在ベクトルから入力断片を再構築し、再構築損失（バイナリクロスエントロピー）とGM事前分布からのKLダイバージェンスの両方を最小化する。
• 再パラメータライゼーショントリックを用いてバックプロパゲーションを微分可能にし、エンドツーエンドでモデルを訓練する。
• クラスタリング性能は、各成分から生成されたサンプルを用いて多層パーセプトロン（MLP）を学習させ、分離性を評価することで測定する。
• 遊びやすさは、各成分からの断片を統合したレベルに対して適応したA*探索アルゴリズムを用い、各ゲームごとにスコアを報告する。

実験結果

リサーチクエスチョン

• RQ1 GMVAEは、特定の要素の有無や構造的レイアウトといったデザインパターンに基づいて、教師なしで意味のあるゲームレベル断片のクラスタを発見できるか？
• RQ2 VAE-GMMベースラインと比較して、GMVAEのクラスタリング性能（成分の分離性と構造的整合性）はどの程度優れているか？
• RQ3 GMVAEが学習した各成分は、一貫性があり望ましい特徴を有する新しいレベル断片を生成できるか？
• RQ4 生成された断片が、大きなレベルに統合された場合でも、遊びやすさをどの程度維持できるか？
• RQ5 GMVAEが発見したクラスタは、人間が認識するレベルタイプや設計カテゴリと一致するか？

主な発見

• GMVAEは『スーパーマリオブラザーズ』では生成断片の少なくとも99.4％、『キッド・アイカーラス』では79.2％の遊びやすさを達成しており、高い構造的品質を示している。
• GMVAEでは、成分の70％以上が分離されている割合が、成分数の増加に伴って安定的かつ高い水準を維持したが、VAE-GMMベースラインでは顕著に低下した。
• SMBおよびMMの両ゲームにおいて、2成分でのGMVAE性能は低かった。これは、各成分に複数のデザインパターンを過剰にフィットさせたため、識別性が低下したためと推察される。
• GMVAEは、成分数を変化させた場合でも、より高く安定した良好に分離された成分の割合を示し、VAE-GMMベースラインに比べクラスタリングの分離性で優れた性能を示した。
• 各GMVAE成分は、特定の敵配置やプラットフォーミングパターンといった一貫したデザイン特徴を生成するよう学習しており、ターゲット生成が可能となった。
• GMVAEの潜在空間ではクラスタ間の補間が可能であるが、その補間領域は未探索領域に位置する可能性があり、新規のレベル構造を生み出す可能性を秘めている。