本文介绍了一位深钢筋学习代理（AI），它使用声音作为IEEE COG 2022的DareFightingings竞赛中Darefightingings平台上的输入。尽管最新的AI主要依赖于其环境提供的视觉或结构化观察结果，但学会从Sound玩游戏仍然是新的，因此具有挑战性。我们建议使用不同的方法来处理音频数据，并为盲人AI使用近端策略优化算法。我们还建议利用盲人AI评估提交竞争的声音设计，并为此任务定义两个指标。实验结果不仅显示了我们的盲人AI，而且还提出了两个指标的有效性。
translated by 谷歌翻译
本文在2022年的IEEE游戏会议（COG）上提出了一项新的比赛，称为Darefightinginge比赛。比赛有两个曲目：声音设计轨道和AI轨道。该竞赛的游戏平台也称为格斗游戏平台Darefightinging。 DareFightingIce是一种声音设计的战斗版本，在COG的一场比赛中以前使用，直到2021年，用于促进格斗游戏中的人工智能（AI）研究。在声音设计轨道中，鉴于DareFightingIce的默认声音设计作为样本，参与者竞争最佳声音设计，我们将声音设计定义为一组声音效果，并结合了实现其正时控制算法的源代码。要求AI轨道的参与者开发其AI算法，该算法控制角色仅作为输入（Blind AI）与对手作战；我们将提供深度学习的盲人AI。我们还描述了我们最大程度地提高两个轨道之间的协同作用的手段。这项比赛为视觉受损的玩家提供了有效的声音设计，游戏社区中的一个小组大多被忽略了。据我们所知，Darefightingingice竞赛是COG内外的首次此类竞赛。
translated by 谷歌翻译
集成不同学科的数据集很难，因为数据通常在含义，规模和可靠性中的定性不同。当两个数据集描述相同的实体时，许多科学问题可以围绕这种不同数据保守的（DIS）是否保守。我们的方法，清晰度，量化数据集的一致性，识别出现不一致的地方，并辅助其解释。我们使用三种不同的比较来说明这一点：基因甲基化与表达，语言的演变声音与单词使用，以及国家级经济指标与文化信仰。非参数方法对噪声和缩放的差异很强大，并且只有关于如何生成数据的弱假设。它通过将相似性分解为两个组件：类似于聚类的“结构”组件，以及这些结构之间的底层的“关系”。这允许使用从“结构”的可预测性的两个相似性矩阵之间的“结构比较”。在适合每个数据集的重新采样的帮助下评估重要性。本软件清晰度，可作为来自https://github.com/danjlawson/trarity的R包。
translated by 谷歌翻译