Συντάχθηκε 06-08-2020 12:41
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/08/2020 15:00
Λήξη: 17/08/2020 16:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΜΑΡΙΑ ΑΠΟΣΤΟΛΙΔΟΥ
θέμα
Αξιοποίηση Γλωσσολογικών Δεδομένων για τη Μοντελοποίηση Στρατηγικής Συμπεριφοράς σε Παίγνια Πολλών Παικτών
Exploiting Linguistic Data for Modeling Players’ Behaviour in Strategic Board Games
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Αναπληρωτής Καθηγητής Στέργος Αφαντενός (IRIT, Universite Paul Sabatie, France)
Περίληψη
Πολλά πολυπρακτορικά επιτραπέζια ή ψηφιακά στρατηγικά παιχνίδια απαιτούν κοινωνικές αλληλεπιδράσεις μεταξύ των παικτών μέσω της συνομιλίας σε φυσική γλώσσα. Δυστυχώς λίγες απόπειρες έχουν γίνει ώστε να ληφθούν υπόψιν τόσο οι ενέργειες των παικτών όσο και η γλωσσική πληροφορία για την μοντελοποίηση πρακτόρων. Σε αυτή την εργασία ο στόχος είναι να εξισορροπήσουμε και τα δύο είδη πληροφορίας με σκοπό να δημιουργήσουμε ένα μοντέλο που να είναι ικανό να μιμηθεί τις ενέργειες των παικτών λαμβάνοντας υπόψιν τις ενέργειες που έκαναν πρωτύτερα οι παίκτες καθώς και τις προηγούμενες γλωσσικές συνομιλίες τους. Η πρόοδος που έχει σημειωθεί πρόσφατα στο χώρο των νευρωνικών δικτύων και ειδικότερα στα αναδρομικά νευρωνικά δίκτυα επιτρέπουν την ακολουθιακή ενημέρωση των αναπαραστάσεων των καταστάσεων του παιχνιδιού ή και των γλωσσικών δεδομένων καθώς και την κοινή χρήση παραμέτρων μεταξύ διαφορετικών αναπαραστάσεων. Ως εκ τούτου σε αυτή την εργασία παράγαμε και χρησιμοποιήσαμε συνδυαστικές αναπαραστάσεις τόσο των καταστάσεων του παιχνιδιού όσο και των γλωσσικών συνομιλιών, ώστε να μοντελοποιηθούν οι ενέργειες των παικτών και να γίνει δυνατή η πρόβλεψη των κινήσεών τους.
Η προσέγγισή μας εφαρμόστηκε στο στρατηγικό παιχνίδι «Άποικοι του Κατάν». Σαν πρώτο βήμα, τα ανεπεξέργαστα δεδομένα επεξεργάστηκαν για να σχηματιστεί ένα Σύνολο Δεδομένων κατάλληλο για χρήση σε διεργασίες μηχανικής μάθησης. Αυτό συμπεριέλαβε μια πρωτότυπη μοντελοποίηση του τρόπου με τον οποίο αναπαρίσταται η πληροφορία αναφορικά με το παιχνίδι «Άποικοι του Κατάν». Εν συνεχεία, γλωσσική πληροφορία και πληροφορία αναφορικά με το παιχνίδι από το δημιουργηθέν Σύνολο Δεδομένων αξιοποιήθηκε από νευρωνικά δίκτυα για να προβλεφθούν οι ενέργειες των παικτών. Αρχιτεκτονικές όπως Νευρωνικά Δίκτυα Έμπροσθεν Τροφοδότησης και Αναδρομικά Νευρωνικά Δίκτυα (όπως Δίκτυα Μακροπρόθεσμης Μνήμης) καθώς και συνδυαστικές αρχιτεκτονικές των δύο ερευνήθηκαν στο πλαίσιο αυτής της εργασίας. Για την εργασία αυτή αξιοποιήθηκαν τα δεδομένα που έχουν συλλεχθεί στο πλαίσιο του ERC Advanced Grant project STAC, καθώς και τα GloVe διανύσματα για αναπαράσταση λέξεων.
Abstract
Many multi-agent strategic games entail social aspects realized often via natural language exchanges. Unfortunately few attempts have been made to take into account both actions and linguistic information for modeling agents. In this thesis the goal is to leverage both types of information in order to create a model that is capable of emulating players' actions taking into account actions performed by all players in the past as well as their previous linguistic exchanges. Recent advances in neural network architectures and more precisely recurrent models allow one to sequentially update representations of the game state or linguistic data, as well as the sharing of parameters between disparate representations. Thus, in this thesis we produced and employed combined representations for the game state and for the linguistic exchanges, in order to model players' actions and enable the prediction of their moves.
We demonstrate our approach in the "Settlers of Catan" multi-agent strategic game domain. As a first step the raw data was processed to form a Dataset suitable for use in machine learning projects. This step entailed a novel modeling of the way in which information about a game of "Settlers of Catan" is represented. Then linguistic and gameplay information from the created Dataset was exploited by neural networks to predict the players' actions. Architectures of Feed Forward Neural Networks, Recurrent Neural Networks (such as Long Short-term Memory Networks) as well as combined architectures of the two were investigated in the context of this thesis. We note that data collected in the context of the ERC Advanced Grant project STAC was used for this work, as well as the GloVe vectors for word representation.
Meeting ID: 965 6346 2078
Password: 072255
