[论文解读] Compressing and Comparing the Generative Spaces of Procedural Content Generators

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

Artificial Intelligence in Games参考文献 43被引用 3

一句话总结

本文提出通过降维的数据压缩方法，可视化并比较2D拼贴类游戏中程序化内容生成器的生成空间。通过将编码后的关卡表示压缩为二维投影，该方法能够实现对多样性与结构的定性比较；多重对应分析（MCA）与行为特征的相关性最强，表明其在面向设计师的工具中具有强大潜力。

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.

研究动机与目标

• 开发一种可推广的、基于生成空间的定性比较程序化内容生成（PCG）系统的方法。
• 评估对编码关卡表示进行数据压缩是否能保留有意义的结构与行为信息。
• 评估降维技术作为设计师理解并比较PCG输出多样性与特性的工具的实用性。
• 识别哪种压缩算法最能保留与游戏关卡生成行为特征的相关性。

提出的方法

• 作者收集多个PCG系统生成的关卡编码表示，将每个关卡视为包含空间与结构特征的高维向量。
• 应用一系列降维算法——包括主成分分析（PCA）、多维缩放（MDS）、Isomap、局部线性嵌入（LLE）以及多重对应分析（MCA）——将高维数据投影至二维空间。
• 生成的二维投影用于可视化生成空间，并评估关卡之间的结构多样性与相似性。
• 为每个关卡计算行为特征（BCs），如难度、长度与容错性，并与压缩空间进行相关性分析，以评估其信息量。
• 该方法假设具有相似BCs的关卡应在压缩空间中紧密聚集，且该聚类强度被用作成功度量。
• 该方法在两个游戏领域中进行评估：《超级马里奥兄弟》与《Lode Runner》，使用现有关卡语料库及多个生成器。

实验结果

研究问题

• RQ1 对编码关卡表示进行降维是否能有效压缩并可视化PCG系统的生成空间，同时保留有意义的结构与行为多样性？
• RQ2 哪种降维算法在保留关卡行为特征相关性方面表现最佳？
• RQ3 压缩后的生成空间投影在多大程度上反映了人类感知的关卡相似性，尤其是在结构相似但位置不同的情况下？
• RQ4 该方法的性能在多大程度上取决于输入关卡语料库的规模与多样性？
• RQ5 该方法能否作为实用的、面向设计师的工具，用于比较与优化PCG系统，而无需预先定义行为度量？

主要发现

• 多重对应分析（MCA）在两个游戏领域中均展现出与行为特征最强且最一致的相关性，优于PCA、MDS、Isomap与LLE。
• 该压缩方法成功捕捉了生成空间中的有意义方差，使得无需预先定义行为特征即可实现对多样性与结构的定性比较。
• 在《超级马里奥兄弟》领域，压缩空间与长度、难度及平台跳跃复杂度等关键行为特征表现出显著相关性。
• 当关卡特征被镜像或重新定位时（例如，两个具有相同结构但位置不同的《Boxoban》关卡），该方法难以检测到结构相似性，导致被标记为高度不相似。
• 在《Lode Runner》领域性能较低，可能由于数据集较小（150个关卡）且敌人的放置方式变化较少，导致与容错性BC的相关性降低。
• 尽管存在局限性，该方法仍展现出作为定性工具的基础潜力，可帮助设计师理解并比较PCG系统。