[논문 리뷰] Anomaly Detection in Video Games.

Benedict Wilkins, Chris Watkins외 1명|arXiv (Cornell University)|2020. 05. 20.

Digital Games and Media인용 수 1

한 줄 요약

이 논문은 이상 탐지에 대한 깊이 있는 거리 학습 방법으로 State-State Siamese Networks (S3N)를 제안하며, 버그 식별을 정상 플레이 패턴을 학습하는 것으로 프레임워크화한다. 아타리 게임에서 평가한 결과, S3N는 높은 정확도로 일반적인 게임 버그를 효과적으로 탐지할 수 있는 의미 있는 임베딩을 학습한다.

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.

연구 동기 및 목표

• 라벨이 부여된 버그 예제가 없는 조건에서 이상 탐지 기법을 활용해 비디오 게임 품질 보증을 자동화하는 것.
• 비디오 게임 상태 시퀀스에 특화된 깊이 있는 거리 학습 프레임워크를 개발하는 것.
• 라벨이 부여된 버그 데이터가 없이도 일반적인 비디오 게임 버그를 효율적이고 정확하게 식별할 수 있도록 하는 것.
• 아타리와 같은 실제 게임 환경에서 제안된 방법의 효과성을 평가하는 것.

제안 방법

• 저자는 게임 상태 쌍을 비교하여 의미 있는 임베딩 공간을 학습하는 State-State Siamese Networks (S3N)를 설계한다.
• S3N는 공유 가중치를 갖는 시아모이드 아키텍처를 사용하여 게임 상태를 정상 상태가 가까이, 이상 상태가 멀리 떨어지도록 잠재 공간에 임베딩한다.
• 모델은 대조 손실을 사용하여 정상 상태 쌍은 가까이, 이상 상태 쌍은 멀리 떨어지도록 훈련한다.
• 모델은 수작업으로 만든 특징 없이도 엔드 투 엔드 학습이 가능한 원시 게임 프레임을 입력으로 사용한다.
• 테스트 상태와 가장 가까운 정상 이웃 상태 간의 임베딩 거리를 측정하여 이상 현상을 탐지한다.

실험 결과

연구 질문

• RQ1 라벨이 부여된 버그 예제에 의존하지 않고 깊이 있는 거리 학습 접근법이 비디오 게임 버그를 효과적으로 탐지할 수 있는가?
• RQ2 S3N는 원시 게임 프레임에서 정상 플레이 패턴의 의미 있는 표현을 얼마나 잘 학습할 수 있는가?
• RQ3 S3N는 다양한 아타리 게임 간에 얼마나 잘 일반화되어 있으며, 다양한 유형의 게임 버그를 탐지할 수 있는가?
• RQ4 S3N는 비디오 게임 상태 시퀀스에 대해 기준 이상 탐지 방법과 비교해 성능 면에서 얼마나 우수한가?

주요 결과

• S3N는 정상 플레이 상태가 함께 군집되는 의미 있는 임베딩 공간을 성공적으로 학습한다.
• 모델은 클리핑, 레벨 스킵, 게임 상태 정지와 같은 다양한 일반적인 비디오 게임 버그에 대해 높은 탐지 정확도를 달성한다.
• 아타리 게임에서의 실증적 평가 결과, S3N는 기준 이상 탐지 방법보다 버그 식별에서 뛰어난 성능을 보였다.
• 이 방법은 다양한 아타리 게임 간에 일반화되며, 게임에 특화된 변동성에 대해 강건함을 나타낸다.