要約
ゲームをそのピクセルによって表現することは、汎用的かつ多目的なゲームモデルを構築するための有望なアプローチを提供する。ゲームは単なる画像ではないにもかかわらず、ゲームのピクセルデータ上で訓練されたニューラルネットワークモデルは、しばしば画像の視覚的スタイルの違いを捉えてしまう一方で、ゲームの本質的な内容を捉えることができない。その結果、同じジャンルに属する類似したゲーム間でも、モデルの一般化能力は十分に発揮されない。本研究では、最近の対照学習（contrastive learning）の進展に着目し、ゲームにおける表現学習へのその利点を示す。ゲーム画像同士を対比させることで学習を行うことにより、ゲームの分類をより効率的に行うだけでなく、視覚的スタイルに依存せずにゲームの内容に注目することで、より意味のある形でゲームを分離するモデルが得られる。175のゲーム、10のゲームジャンル、合計10万枚のスポーツゲーム動画画像を含む大規模データセットを用いた実験結果から、従来の教師あり学習に比べ、対照学習がより一般的なゲーム表現を学習するのに適していることが示された。本研究の知見は、再訓練やファインチューニングを必要とせずに、これまでに見たことのないゲームに対しても再利用可能な汎用的な視覚エンコーダーの実現に向け、一歩前進することを可能にする。