[论文解读] Explainable PCGML via Game Design Patterns

Matthew Guzdial, Joshua O. Reno+3 more|arXiv (Cornell University)|Sep 25, 2018

Artificial Intelligence in Games参考文献 19被引用 5

一句话总结

本文提出了一种基于游戏设计模式的可解释PCGML方法，通过使用设计师自定义的设计模式作为共享语言，提升模型的可解释性与协作能力。结合随机森林分类器与基于自编码器的生成模型，该系统使非专家设计师能够对关卡结构进行标注，借助迁移学习显著减少训练时间，同时保持高效率生成与设计师意图一致的内容。

ABSTRACT

Procedural content generation via Machine Learning (PCGML) is the umbrella term for approaches that generate content for games via machine learning. One of the benefits of PCGML is that, unlike search or grammar-based PCG, it does not require hand authoring of initial content or rules. Instead, PCGML relies on existing content and black box models, which can be difficult to tune or tweak without expert knowledge. This is especially problematic when a human designer needs to understand how to manipulate their data or models to achieve desired results. We present an approach to Explainable PCGML via Design Patterns in which the design patterns act as a vocabulary and mode of interaction between user and model. We demonstrate that our technique outperforms non-explainable versions of our system in interactions with five expert designers, four of whom lack any machine learning expertise.

研究动机与目标

• 解决在通过机器学习进行程序化内容生成（PCGML）中，黑箱模型不透明性的问题，尤其针对非技术背景的游戏设计师。
• 通过使用随机森林分类器，基于用户提供的最少示例，从关卡结构中推断设计模式标签，从而减少对大量手动标注的依赖。
• 通过建立用户与模型之间个性化设计模式的共享词汇表，实现在关卡设计中的有意义人机协作。
• 通过可解释的、交互式的生成方式，反映个体设计师的意图，提升模型性能与用户信任度。
• 利用迁移学习开发可扩展、高效的训练流程，加速模型在新设计模式任务上的适应，同时不牺牲与设计目标的一致性。

提出的方法

• 使用变分自编码器（VAE）从游戏关卡语料库中学习关卡结构的压缩且解耦的表示。
• 利用随机森林分类器，基于用户提供的最少示例，预测关卡结构的设计模式标签，从而减轻标注负担。
• 将分类器集成到协同创作流程中，使模型能够基于用户指定的设计模式生成新的关卡部分。
• 通过“重生”神经网络实现迁移学习，将预训练自编码器的权重迁移至新设计模式任务的训练中，以加速训练过程。
• 利用系统生成反映用户设计意图的关卡部分，输出结果由专家设计师进行可视化与验证。
• 通过允许用户根据模型输出调整或澄清其设计模式定义，支持迭代优化，实现模型与用户意图对齐的反馈循环。

实验结果

研究问题

• RQ1 设计师自定义的游戏设计模式能否作为解释和引导PCGML模型行为的有效、可解释的词汇？
• RQ2 使用随机森林分类器推断设计模式标签在多大程度上减少了标注负担，同时保持模型性能？
• RQ3 当将PCGML系统适配至新设计模式时，迁移学习在训练速度与模型保真度方面产生了何种影响？
• RQ4 非机器学习专家设计师能否有效使用该系统生成与其设计意图一致的内容？
• RQ5 将可解释的设计模式整合进来，是否提升了PCGML系统在协同创作工作流程中的可信度与可用性？

主要发现

• 系统在生成内容与设计师意图之间实现了高度一致，专家设计师Dee Del Rosario确认模型输出与她对“完成者奖励”模式的定义完全匹配。
• 迁移学习将平均训练时间从约五小时大幅缩短至4.48秒（使用随机森林）和144.92秒（使用自动标注），显著提升了快速迭代的可用性。
• 性能最佳的迁移学习变体与完整训练基线相比，仅在结构特征上相差一个极小的分数，表明尽管训练时间大幅减少，性能损失可忽略不计。
• 五位专家设计师中有四位（均无机器学习专业知识）报告了积极体验，并认为系统直观且对协同创作关卡设计非常有用。
• 个性化设计模式的使用使模型能够反映个体设计师的设计价值观，证明此类标签可作为人类设计师与AI之间的共享语言。
• 系统支持迭代优化，设计师表达了希望进一步澄清或收紧其模式定义的意愿，表明对交互式、持续演进的模型-用户对齐机制存在需求。