文献

J-GLOBAL ID：202102280850163274   整理番号：21A3269354

RLCFR:深層強化学習による反事実レグレットの最小化【JST・京大機械翻訳】

RLCFR: Minimize counterfactual regret by deep reinforcement learning

著者 (8件)： Li Huale (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Wang Xuan (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Wang Xuan (Peng Cheng Laboratory, Shenzhen, 518000, China) ,  Jia Fengwei (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Wu Yulin (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Zhang Jiajia (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Qi Shuhan (School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, 518055, China) ,  Qi Shuhan (Peng Cheng Laboratory, Shenzhen, 518000, China)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 187  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 対抗的レグレット最小化(CFR)は,不完全情報を有する2層ゼロ和ゲームの意思決定問題を扱う一般的な方法である。大規模問題を解決し,解効率を加速する以前の研究とは異なり,CFR法の一般化能力の改善を目的とするフレームワーク,RLCFRを提案した。RLCFRにおいて,ゲーム戦略は,強化学習(RL)フレームワークにおいてCFRベースの方法によって解決する。反復対話型戦略更新の動的手順をMarkov決定プロセス(MDP)としてモデル化した。次に,著者らの方法は,反復プロセスにおけるレグレット更新の適切な方法を選択するための対策を学習する。さらに,段階的報酬関数を定式化して,行動政策を学習し,それは,反復戦略が各段階でどのように実行されるかに比例した。種々のゲームに関する広範囲な実験結果は,著者らの方法の一般化能力が既存の最先端の方法と比較して著しく改善されることを示した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  ゲーム ,  ゼロ和ゲーム ,  定式化 ,  *強化学習
準シソーラス用語： 対話型 ,  不完全情報 ,  報酬関数 ,  *深層強化学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 反事実的レグレット最小化 ,  意思決定 ,  不完全情報 ,  強化学習

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 (2件)： 深層強化学習 ,  最小化