文献

J-GLOBAL ID：202002220996232034   整理番号：20A2462206

ターンベースゼロ和Markovゲームのための強化学習について【JST・京大機械翻訳】

On Reinforcement Learning for Turn-based Zero-sum Markov Games

著者 (4件)： Shah Devavrat (Massachusetts Institute of Technology, Cambridge, MA, USA) ,  Somani Varun (Cornell University, Ithaca, NY, USA) ,  Xie Qiaomin (Cornell University, Ithaca, NY, USA) ,  Xu Zhi (Massachusetts Institute of Technology, Cambridge, MA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： FODS ’20  ページ： 139-148  発行年： 2020年 
JST資料番号： D0698C  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： 2層ターンベースゼロ和ゲームに対するNash均衡を見つける問題を考察した。アルファGoゼロ(AGZ)アルゴリズムにヒントを得て,強化学習ベースのアプローチを開発した。特に,”探索”,”ポリシー改善”と”監督学習”を組み合わせたExplore-Imped-Supervise(EIS)法を提案し,Nash均衡に関連する価値関数とポリシーを見出した。そのようなアプローチに対する収束と正当性のための十分条件を同定した。ランダム政策を「探索」に用いるEISの具体的事例に対して,「ポリシー改善」のためにモンテカルロツリー探索を用い,「監督学習」の最近傍を用いて,この方式が,ゲームの根底にある状態空間が連続的でd次元である場合,O(ε-(d+4))ステップにおけるNash均衡のε近似値関数を見つけることを立証した。”教師付き学習”では,この方法がNash均衡のε-近似値関数を見出す。”その方法”は,”教師付き学習”に対して用いられる,という事を,著者らは,この解法が,O(ε-(d+4))ステップにおいて,Nash均衡のε近似値関数を見出す,という事を確立したものである,という事を,著者らは,この解法が,O(ε-(d+4))ステップにおいて,Nash均衡のε近似値関数を発見することを確立した。これは,任意の政策に対してOmega(ε-(d+2))の下限を確立するので,ほぼ最適である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  アルゴリズム ,  *学習 ,  *ゲーム ,  評価関数 ,  近似法 ,  ゼロ和ゲーム ,  木探索 ,  教師つき学習 ,  十分条件 ,  Nash均衡 ,  *強化学習 ,  二層
準シソーラス用語： 状態空間 , 【Automatic Indexing@JST】

著者キーワード (3件)： マルコフゲーム ,  強化学習 ,  サンプルの複雑さ

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

タイトルに関連する用語 (2件)： ゲーム ,  強化学習