ビデオゲームにおけるステージの生成は，制作者の負担の軽減を目的として長年自動生成の研究が行われており，近年では深層学習を用いた手法による自動生成が研究されるようになってきている．深層学習によるステージ生成ではタイルベースのビデオゲームにおいて，GAN による手法が一定の成果をあげているが学習データの用意が課題となっている．本研究では少数のデータのみからGAN を学習し，多様なステージを生成可能なモデルを獲得する手法を検討する．GVGAI Framework のZelda 環境において，提案する手法により生成したステージに対し定量的な評価を行い従来手法よりもプレイアビリティは低下したものの，多様なステージが生成できることが確認できた．また，提案する手法で学習したモデルでは，進化計算手法による入力変数の探索により従来手法よりも目的をより強く反映したステージ生成が可能であることを確認した．

The generation of levels in video games is intended to reduce the burden on the creator. Recently, deep learning methods have been studied in order to reduce the burden on the creator of the levels. In deep learning-based level generation, GAN-based methods have achieved some success in tile-based video games, but the preparation of training data has been a challenge. However, the preparation of training data has been an issue. In this study, we investigate a method to acquire a model that can generate various levels by learning a GAN from only a small amount of data. It was confirmed that a greater variety and a lower playability of levels can be generated than with conventional methods by quantitative evaluation of the levels generated by the proposed methods on GVGAI Framework’s Zelda environment. In addition, the model learned by the proposed method The proposed method can generate levels that reflect the objectives more strongly than the conventional method by using CMA-ES to search for input variables in the model learned with the proposed method.