[논문 리뷰] Compressing and Comparing the Generative Spaces of Procedural Content Generators

Oliver Withington, Laurissa Tokarchuk|arXiv (Cornell University)|2022. 05. 30.

Artificial Intelligence in Games참고 문헌 43인용 수 3

한 줄 요약

이 논문은 2D 타일 기반 게임에서 절차적 콘텐츠 생성기의 생성 공간을 시각화하고 비교하기 위해 차원 축소를 통한 데이터 압축을 제안한다. 압축된 레벨 표현을 2차원 투영으로 변환함으로써 다양성과 구조적 특성을 정성적으로 비교할 수 있으며, 다중 대응 분석(MCA)이 행동 특성과 가장 강한 상관관계를 보여, 디자이너를 위한 도구로 큰 잠재력을 지닌다.

ABSTRACT

The past decade has seen a rapid increase in the level of research interest in procedural content generation (PCG) for digital games, and there are now numerous research avenues focused on new approaches for driving and applying PCG systems. An area in which progress has been comparatively slow is the development of generalisable approaches for comparing alternative PCG systems, especially in terms of their generative spaces. It is to this area that this paper aims to make a contribution, by exploring the utility of data compression algorithms in compressing the generative spaces of PCG systems. We hope that this approach could be the basis for developing useful qualitative tools for comparing PCG systems to help designers better understand and optimize their generators. In this work we assess the efficacy of a selection of algorithms across sets of levels for 2D tile-based games by investigating how much their respective generative space compressions correlate with level behavioral characteristics. We conclude that the approach looks to be a promising one despite some inconsistency in efficacy in alternative domains, and that of the algorithms tested Multiple Correspondence Analysis appears to perform the most effectively.

연구 동기 및 목표

• 절차적 콘텐츠 생성(PCG) 시스템의 생성 공간을 기반으로 일반화 가능하고 정성적인 비교 방법을 개발하기 위해.
• 암호화된 레벨 표현의 데이터 압축이 의미 있는 구조적 및 행동 정보를 유지하는지 평가하기 위해.
• 차원 축소 기법이 디자이너가 PCG 출력물의 다양성과 특성을 이해하고 비교하는 데 도구로 유용한지 평가하기 위해.
• 행동 특성과의 상관관계를 가장 잘 유지하는 압축 알고리즘을 특정하기 위해.

제안 방법

• 저자들은 여러 PCG 시스템으로부터 레벨을 캡처하여, 각 레벨을 공간적 및 구조적 특성의 고차원 벡터로 간주한다.
• 주어진 고차원 데이터를 2차원 공간으로 투영하기 위해 주성분 분석(PCA), 다차원 척도법(MDS), Isomap, 국소 선형 통합(LLE), 다중 대응 분석(MCA) 등의 차원 축소 알고리즘을 적용한다.
• 결과적으로 생성된 2차원 투영을 사용하여 생성 공간을 시각화하고, 레벨 간의 구조적 다양성과 유사성을 평가한다.
• 각 레벨에 대해 어려움, 길이, 관용성 등의 행동 특성(BCs)을 계산하고, 이를 압축된 공간과 상관관계 분석하여 정보성 여부를 평가한다.
• 이 방법은 유사한 행동 특성을 가진 레벨이 압축된 공간에서 가까이 군집되어야 한다는 가정을 바탕으로 하며, 이러한 상관관계의 강도를 성공도의 지표로 사용한다.
• 이 방법은 기존 레벨 코퍼스와 여러 생성기를 사용하여 슈퍼 마리오 브라더스와 로드 러너 두 게임 도메인에서 평가된다.

실험 결과

연구 질문

• RQ1 암호화된 레벨 표현의 차원 축소가 의미 있는 구조적 및 행동 다양성을 유지하면서 절차적 콘텐츠 생성(PCG) 시스템의 생성 공간을 효과적으로 압축하고 시각화할 수 있는가?
• RQ2 행동 특성과의 상관관계를 가장 잘 유지하는 차원 축소 알고리즘은 무엇인가?
• RQ3 압축된 생성 공간 투영이 구조적으로 유사하지만 위치가 다른 레벨 간의 인간이 인식하는 유사성과 얼마나 잘 일치하는가?
• RQ4 입력 레벨 코퍼스의 크기와 다양성에 따라 이 방법의 성능이 얼마나 의존하는가?
• RQ5 이 접근법이 사전 정의된 행동 지표가 필요 없이 실용적이고 디자이너 友好的한 도구로서 PCG 시스템을 비교하고 최적화하는 데 활용될 수 있는가?

주요 결과

• 다중 대응 분석(MCA)이 두 게임 도메인 전반에서 행동 특성과 가장 강하고 일관된 상관관계를 보이며, PCA, MDS, Isomap, LLE를 모두 능가했다.
• 압축 방법은 생성 공간 내 의미 있는 분산을 효과적으로 포착하여, 행동 특성의 사전 정의 없이도 다양성과 구조적 특성을 정성적으로 비교할 수 있었다.
• 슈퍼 마리오 브라더스 도메인에서는 길이, 어려움, 플랫폼링 복잡도와 같은 핵심 행동 특성과 압축된 공간에서 뚜렷한 상관관계를 보였다.
• 레벨 특성이 반사되거나 이동된 경우(예: 동일한 구조를 가진 두 개의 보크스본 레벨이 다른 위치에 있을 경우), 구조적 유사성을 탐지하는 데 어려움을 겪었다.
• 로드 러너 도메인에서는 작은 데이터셋(150개 레벨)과 적은 적대자 배치의 변동성으로 인해 성능이 낮았으며, 이는 관용성 BC와의 상관관계가 낮아졌기 때문이다.
• 한계가 있음에도 불구하고, 이 방법은 디자이너가 PCG 시스템을 이해하고 비교하는 데 도움이 되는 정성적 도구의 기초로 유망한 잠재력을 보였다.