[论文解读] Anomaly Detection in Video Games.

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

Digital Games and Media被引用 1

一句话总结

本文提出状态-状态孪生网络（S3N），一种用于视频游戏异常检测的深度度量学习方法，将错误识别建模为学习正常游戏行为模式的过程。在Atari游戏上的评估表明，S3N能够学习到有意义的嵌入表示，从而以高准确率有效检测常见游戏错误。

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.

研究动机与目标

• 通过异常检测技术自动化视频游戏质量保证，检测游戏错误。
• 开发一种专用于视频游戏状态序列的深度度量学习框架。
• 在无需标注错误数据的情况下，实现对常见视频游戏错误的高效且准确的识别。
• 在Atari等真实游戏环境中评估所提方法的有效性。

提出的方法

• 作者设计了状态-状态孪生网络（S3N），通过比较游戏状态对来学习有意义的嵌入空间。
• S3N采用共享权重的孪生结构，将游戏状态嵌入到一个潜在空间中，使正常状态彼此接近，异常状态彼此远离。
• 模型使用对比损失进行训练，以拉近正常状态对的距离，同时推远异常状态对的距离。
• 该方法以原始游戏画面作为输入，实现端到端学习，无需手工设计特征。
• 通过测量测试状态与其最近正常邻居之间的嵌入距离来检测异常。

实验结果

研究问题

• RQ1 无标注错误样本的情况下，深度度量学习方法能否有效检测视频游戏错误？
• RQ2 S3N在从原始游戏画面中学习正常游戏行为有意义表示方面表现如何？
• RQ3 S3N在不同Atari游戏中泛化能力如何，能否检测多种类型的游戏错误？
• RQ4 与基线异常检测方法相比，S3N在视频游戏状态序列上的性能表现如何？

主要发现

• S3N成功学习到一个有意义的嵌入空间，使正常游戏状态聚集在一起。
• 该模型在检测多种常见游戏错误（如穿模、跳关、游戏状态卡死）方面表现出高准确率。
• 在Atari游戏上的实证评估表明，S3N在识别错误方面优于基线异常检测方法。
• 该方法在不同Atari游戏中具有泛化能力，表明对游戏特异性差异具有鲁棒性。