XiaoMi-AI文件搜索系统
World File Search SystemGames
自主网络防御：超越游戏？
网络防御是与试图利用弱点并在数字系统中引起意外行为的攻击者的动态和不断发展的对抗的一方。从历史上看，攻击者和捍卫者都依靠人类的创造力和智力来超越彼此，以竞争性，新兴，临时课程学习彼此的策略。现代网络战斗人员越来越依赖各种自动化工具，机器学习；也许更令人惊讶的是，游戏在追求目标。虽然基于深厚的强化学习的自主代理人在玩复杂的策略游戏（如GO，Starcraft和Stratego）中取得了巨大的突破，但在网络防御游戏中几乎没有得到相对较少的进展以及他们与他们相关的现实世界中的问题。我们强调了网络防御中的自治药物的现状，预示着其巨大的未来潜力，并确定了近乎近外的关键研究挑战。
萨尔兰大学量子非本地游戏和...
在本文中，我们研究非本地游戏和量子非本地游戏的策略。我们的主要来源是[19]，[25]和[4]。本论文中研究的量子非本地游戏所研究的策略称为量子无信号相关性和量子通勤量子不信号相关性。Quantum no-signalling相关性首先是由Duan和Winter在2016年[9]定义的，[9]与Quantum非局部游戏不同。量子通勤无信号相关性和量子非本地游戏首先由托多罗夫和图洛夫卡在2020年定义[25]。非本地游戏是元组G =（x，y，a，b，λ），其中x和y是两个玩家爱丽丝和鲍勃的问题。这两个玩家必须从答案集A和B中给出答案，而无需与其他玩家沟通。然后，裁判员根据功能λ：x×y×a×b→{0，1}来决定，无论是爱丽丝和鲍勃赢。作为爱丽丝和鲍勃（Alice）和鲍勃（Alice）合作，他们必须事先同意一项策略，以最大程度地提高自己的胜利机会。有不同类别的策略限制了爱丽丝和鲍勃可以访问的资源。本文中主要研究的两类策略是无信号的策略和量子通勤策略。无签名的策略仅将爱丽丝和鲍勃限制为他们无法交流的规则。这意味着爱丽丝的回答不取决于鲍勃的问题，反之亦然。量子通勤策略是无标志性策略的子类，在这种策略中，爱丽丝和鲍勃共享可以部分衡量的量子系统。我们还定义了通用C ∗ - 代数。量子非本地游戏是非本地游戏的概括，爱丽丝和鲍勃得到了“量子”问题和“量子”答案。这是通过从矩阵代数的投影到另一个矩阵代数的投影的连接连接，零保护图建模的。量子非本地游戏的策略是由量子通道给出的，量子通道是将量子状态映射到量子状态的地图，这也阻止了爱丽丝和鲍勃之间的直接通信。在第2节中，我们简要介绍了C ∗ - 代数，并定义了C ∗ - 代数的正元素和地图。在第3节中，我们介绍了Traceclass操作员，这些操作员是希尔伯特空间上有限运营商的子类。然后，我们证明TraceClass运营商是有限运算符的前提。在第4节中，我们介绍了操作员系统，因为需要研究非本地游戏。运算符系统是包含单元的Unital C ∗ -Elgebra的自动障碍子空间。运算符系统也可以定义为我们需要引入其张量产品所需的抽象概念。在第5节中，我们提供了量子信息的基本概念，因为这些信息需要定义非本地游戏和量子非本地游戏的不同策略。在第6节中，我们介绍了非本地游戏，并研究无信号和量子通勤策略。然后，我们将完美的策略分类，这些策略总是通过C ∗ -ergebra中运算符系统的状态空间进行策略。这些分类结果在[19]中显示。在第7节中，我们将非本地游戏推广到量子非本地游戏和对于镜像游戏，这是非本地游戏，对于某些问题，爱丽丝的答案是由鲍勃的答案决定的，反之亦然，我们可以按照给定的C ∗ -Algebra的痕迹对完美的量子通勤策略进行分类。
游戏、博弈论和人工智能
摘要目的——本文旨在说明博弈论解决方案概念如何告知哪些类别的问题适合人工智能和机器学习 (AI/ML)，以及如何发展人与人工智能之间的互动。设计/方法/方法——该方法涉及开发操作游戏以支持规划和决策。然后，它为那些设计和使用游戏的人提供了博弈论的简明摘要，重点是信息条件和解决方案概念。它讨论了实验如何证明人类决策与博弈论解决方案概念的不同之处，以及如何使用游戏来开发 AI/ML。最后，它提出了哪些类别的问题适合 AI/ML，哪些不适合。它接着提出了一种发展人类/人工智能的方法。发现——博弈论解决方案概念为 AI/ML“解决方案”可能存在的问题类别提供了信息。该主题的复杂性需要不断学习。原创性/价值——尽管游戏对于 AI/ML 的发展至关重要，但从业者尚未采用博弈论来了解其局限性。关键词 博弈论、游戏、人工智能 论文类型 概念论文
视频游戏中人工智能的兴起
第一台数字计算机是在 20 世纪 40 年代末或 50 年代初开发的，具体取决于您对计算机的确切定义，它们立即被用于玩游戏。这位热切的发明家（和玩家）正是计算机科学和人工智能的创始人之一艾伦·图灵（Togelius，2019 年）。人工智能是视频游戏中的基本概念之一。它的作用与叙事、艺术、图形、音频和任何其他元素一样重要。AI 不仅决定了游戏中可扩展的难度或与其他角色/环境的交互，还决定了沉浸感、适应性和响应性。糟糕的 AI 实现会破坏沉浸感，而具有良好 AI 机制的游戏将进一步增强整个游戏体验。自从人工智能诞生以来，游戏一直在帮助 AI 研究取得进展。游戏不仅为 AI 提出了有趣而复杂的问题（例如，玩好游戏）；它们还为用户（人甚至机器！）提供了创造力和表达的画布。因此，可以说，游戏是一个罕见的领域，科学（解决问题）与艺术和互动相遇：这些因素使游戏成为 AI 研究的独特和最受欢迎的领域。但不仅仅是 AI 通过游戏得到发展；游戏也通过 AI 研究得到发展（Yannakakis & Togelius，2018）。视频游戏中的人工智能可以是确定性的，也可以是不确定的。确定性 AI 广泛应用于游戏行业，其中不确定性最低。不确定 AI 具有一定程度的不确定性，并且由于从用户交互中学习而更具适应性和响应性。
Griddly：游戏人工智能研究平台
近年来，游戏 AI 研究取得了巨大突破，尤其是强化学习 (RL)。尽管取得了成功，但底层游戏通常是使用自己预设的环境和游戏机制实现的，因此研究人员很难为不同的游戏环境设计原型。然而，针对各种游戏环境测试 RL 代理对于最近研究 RL 泛化并避免可能发生的过度拟合问题至关重要。在本文中，我们介绍了 Griddly 作为游戏 AI 研究的新平台，它提供了高度可配置的游戏、不同的观察者类型和高效的 C++ 核心引擎的独特组合。此外，我们还提出了一系列基线实验来研究不同观察配置和 RL 代理泛化能力的影响。
人工智能生成的视频游戏即将到来
AI 生成的视频游戏即将问世。当视频游戏发行商的游戏被用于训练 AI 模型时，他们有哪些补救措施？如果生成的模型生成了同类型的新游戏，那么在什么情况下，新游戏的发行会侵犯原游戏所有者的权利？作者认为，版权法在与 AI 模型的训练和使用这些模型创作新作品相关的几个问题上存在不确定性。但合同法可能会为游戏发行商提供权宜之计，以保护他们的知识产权，直到版权法发展到可以解决这些新技术为止。合同补救措施可能不如版权补救措施好，因为它们更难主张，成本更高，但保留合同补救措施的过程相对简单。在本文中，作者提供了有关视频游戏所有者如何使用合同条款保护其知识产权的指导。使用游戏训练 AI 模型——从头条新闻中摘录的假设
德国游戏行业的年度报告
过去一年对游戏公司特别具有挑战性。世界各地的许多公司都必须裁员，在某些情况下，游戏开发工作室完全关闭了工作。背后有许多原因。虽然许多游戏市场在Covid-19-19大流行之后大大保持了高水平的增长，但其他国家的轨迹却略有下降。同时，投资氛围已经大大恶化，部分原因是乌克兰的战争，数月的通货膨胀率高以及最高的利率。大流行期间，推迟的皮疹促成了2023年在十二个月内发行的顶级比赛。市场上的丰富度意味着许多游戏（即使有一些最高收视率）都没有工作室所希望的销售成功。
平均收益博弈的定位策略
我们研究了两个完全信息游戏，一个是无限的，即 I-'，另一个是有限有向的，即 G。它们是双人游戏，但第一个不是 O-sum。玩家轮流将棋子从指定的起始位置移动到有限有向图的边缘，该图的边缘附有实数。收益是遇到的数字的某些平均值。V 最初激发了这项研究，但 G 似乎同样有趣。结果断言存在最优位置策略，即在对抗完美对手时确保最优收益的策略，并且选择仅取决于棋子的位置而不取决于先前的选择。我们的证明的一个有趣特点是我们必须使用这两个游戏来建立关于其中任何一个的主张。
12。在视频游戏中实现进化
在州和国家K-12级的进化生物学指导充满了挑战。我们需要新的方法来教授和吸引学生，老师和公众进化教育。因此，我们正在开发具有生物进化模型的视频游戏。我们的前提是，在视频游戏中添加生物学演变使游戏玩家更好，并促进玩家对难以教学的复杂概念的理解。传统的视频游戏通常是脚本的，具有定义和可预测特征的敌人的“波浪”。玩家在此类游戏中的成功是基于学习可预测的死记硬背脚本，以提高到后续的水平。通过整合进化生物学的原则，我们认为可以使视频游戏更具吸引力。在视频游戏中未正确实现进化的原因之一是，人们认为进化是一个固有的缓慢而渐进的过程 - 减慢为视频游戏增加了很多价值。在本文中，我们描述了两个简单的视频游戏，其中几代敌人通过自然选择进行适应。敌人具有最好的特征，可以最好地抵消玩家的策略以繁殖的生存，并在下一代中突出其后代特征（类似于游戏水平或波浪）。在这两种情况下，我们都表现出敌人人群的显着表型演变，而随时间尺度可以进行游戏。