文献

J-GLOBAL ID：201802246607796442   整理番号：18A0707915

複雑ゲーム学習における行動カテゴリーの活用【JST・京大機械翻訳】

Exploiting action categories in learning complex games

著者 (2件)： Dobre Mihai S. (School of Informatics, University of Edinburgh, Edinburgh, EH8 9AB, Scotland) ,  Lascarides Alex (School of Informatics, University of Edinburgh, Edinburgh, EH8 9AB, Scotland)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IntelliSys  ページ： 729-737  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文は,特定の行動タイプが他のものより一般的であり,周期的挙動が容易に生じることができる高度に複雑なゲームにおける計画のためのモデルを提示した。これらの問題は,オンライン学習アルゴリズムを強化するための可能な選択肢の中で固有の構造を利用することによって取り組まれる。モンテカルロ木探索の間のサンプリングは,選択型の個々の行動からのサンプリングに続く法的行動のタイプにわたる分布からの最初のサンプリングによって,2段階プロセスになる。この政策は,冗長サンプリング挙動を避けることにより,その深さだけでなく,ロールアウトの幅を大幅に減少させる。結果は,モデルの性能と効率の両方の大きな増加である。本論文のもう一つの貢献は,複雑なゲームにおける並列実行と後状態の利点を評価することである。評価はCatanのボードゲームSettlerにおけるエージェントシミュレーションにより行った。結果としてのエージェントは,ゲームの法的行動の完全集合を扱うことができる純粋なオンライン学習戦略に基づいている。評価は,著者らのモデルが以前の最先端のエージェントより優れていることを示している。一方,人間の反対者によって許容される時間閾値で決定を行う。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 学習アルゴリズム ,  *学習 ,  エージェント ,  *ゲーム ,  冗長性
準シソーラス用語： オンライン学習 ,  エージェントシミュレーション ,  ボードゲーム ,  モンテカルロ木探索 ,  オンライン , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ゲーム理論  (KA03060T)

タイトルに関連する用語 (5件)： ゲーム ,  学習 ,  行動 ,  カテゴリー ,  活用