[论文解读] Transforming Exploratory Creativity with DeLeNoX

Antonios Liapis, Héctor P. Martínez+2 more|IT University Of Copenhagen (IT University of Copenhagen)|Mar 22, 2021

Artificial Intelligence in Games参考文献 26被引用 52

一句话总结

DeLeNoX 在受约束的新颖性搜索的探索和去噪自编码器的变换之间交替，以改变搜索偏向并在受约束的 CPPN 生成空间中揭示多样化的飞船。该方法将探索与基于压缩的学习进展联系起来。

ABSTRACT

We introduce DeLeNoX (Deep Learning Novelty Explorer), a system that autonomously creates artifacts in constrained spaces according to its own evolving interestingness criterion. DeLeNoX proceeds in alternating phases of exploration and transformation. In the exploration phases, a version of novelty search augmented with constraint handling searches for maximally diverse artifacts using a given distance function. In the transformation phases, a deep learning autoencoder learns to compress the variation between the found artifacts into a lower-dimensional space. The newly trained encoder is then used as the basis for a new distance function, transforming the criteria for the next exploration phase. In the current paper, we apply DeLeNoX to the creation of spaceships suitable for use in two-dimensional arcade-style computer games, a representative problem in procedural content generation in games. We also situate DeLeNoX in relation to the distinction between exploratory and transformational creativity, and in relation to Schmidhuber's theory of creativity through the drive for compression progress.

研究动机与目标

• 激励并将计算创意中的探索性创造力与转化性创造力之间的区别落到实处。
• 开发一个在受约束的新颖性驱动探索与基于表示的转化之间交替的系统，以适应搜索偏好。
• 使用 CPPNs 和迭代特征学习生成多样且符合约束的二维飞船精灵。
• 将该方法建立在 Schmidhuber 的压缩进展理论之上，并将其应用于游戏内容生成。

提出的方法

• 采用两阶段循环：通过受约束的新颖性搜索进行探索，在可行性约束下最大化多样性。
• 用组合模式产生网络（CPPNs）表示伪件，并通过 NEAT 风格的扩展进化拓扑结构。
• 对飞船精灵的左半部分应用去噪自编码器，以获得低维特征表示。
• 从自编码器特征中计算新的距离函数，以驱动下一阶段的探索，从而改变探索偏好。
• 在当前探索阶段的伪件上训练自编码器，以捕捉典型模式并实现基于压缩的进展。
• 采用可行-不可行的拓扑扩充神经进化（FINS）在可行性约束和新颖性驱动的探索之间取得平衡。

实验结果

研究问题

• RQ1 交替的探索与转化阶段如何提升受约束的飞船设计空间的覆盖率？
• RQ2 自编码器派生的表示能否捕捉当前偏好并引导后续的探索搜索朝向更具新颖性的伪件？
• RQ3 通过基于压缩的特征来转化搜索偏好是否比静态探索产生更丰富且可行的飞船精灵？
• RQ4 在转化型与静态制度下，迭代的 CPPN 复杂度增长对发现的形状有何影响？

主要发现

• DeLeNoX 在高度受限的设计空间内产生了令人惊讶的多样飞船。
• 通过去噪自编码器进行的转化改变了探索偏好，并在迭代中带来更丰富多样的形状。
• 在转化性运行中的探索往往产生比静态运行更复杂、更多样的形状。
• 每个转化阶段学习的特征反映出随 CPPN 拓扑增长而演变的可视模式，如边缘、圆形/垂直区域等。
• 一种无记忆的方法（遗忘过去的伪件）在转化阶段调整距离度量后仍能实现迭代式多样化。