論文の概要: Acquisition of Chess Knowledge in AlphaZero

• arxiv url: http://arxiv.org/abs/2111.09259v1
• Date: Wed, 17 Nov 2021 17:46:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 13:46:45.850237
• Title: Acquisition of Chess Knowledge in AlphaZero
• Title（参考訳）: AlphaZeroにおけるチェス知識の獲得
• Authors: Thomas McGrath and Andrei Kapishnikov and Nenad Toma\v{s}ev and Adam Pearce and Demis Hassabis and Been Kim and Ulrich Paquet and Vladimir Kramnik
• Abstract要約: 人間の知識がAlphaZeroニューラルネットワークによって獲得され、チェスのゲームでトレーニングされることを示す。 これらの概念がAlphaZeroネットワークでいつ、どこで表現されているかを示す。 チェスのグランドマスターであるウラジーミル・クラムニクの質的分析を含む、オープニングプレイに焦点を当てた行動分析も提供する。
• 参考スコア（独自算出の注目度）: 14.41428465712717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: What is being learned by superhuman neural network agents such as AlphaZero? This question is of both scientific and practical interest. If the representations of strong neural networks bear no resemblance to human concepts, our ability to understand faithful explanations of their decisions will be restricted, ultimately limiting what we can achieve with neural network interpretability. In this work we provide evidence that human knowledge is acquired by the AlphaZero neural network as it trains on the game of chess. By probing for a broad range of human chess concepts we show when and where these concepts are represented in the AlphaZero network. We also provide a behavioural analysis focusing on opening play, including qualitative analysis from chess Grandmaster Vladimir Kramnik. Finally, we carry out a preliminary investigation looking at the low-level details of AlphaZero's representations, and make the resulting behavioural and representational analyses available online.
• Abstract（参考訳）: AlphaZeroのような超人的ニューラルネットワークエージェントから何が学べるのか? この問題は科学と実践の両方の関心事である。 強いニューラルネットワークの表現が人間の概念に似ていない場合、決定の忠実な説明を理解する能力は制限され、最終的にはニューラルネットワークの解釈可能性によって達成できることを制限する。 本研究では,チェスのゲームでトレーニングを行う際に,alphazeroニューラルネットワークによって人間の知識が獲得されることを示す。 幅広い人間のチェスの概念を探索することで、これらの概念がalphazeroネットワークで表現される時期と場所を示す。 チェスのグランドマスターであるウラジーミル・クラムニクの質的分析を含む、オープニングプレイに焦点を当てた行動分析も提供する。 最後に、alphazeroの表現の低レベルな詳細を調査し、その結果の振る舞いと表現分析をオンラインで利用可能にする予備的な調査を行う。

関連論文リスト

• Evidence of Learned Look-Ahead in a Chess-Playing Neural Network [11.746104876318606]
  我々はChess Leela Zeroの政策ネットワークにおいて、学習したルックアヘッドの証拠を示す。 我々は、Leelaが将来の最適動作を内部的に表現し、これらの表現が、特定のボード状態における最終的な出力に不可欠であることを見出した。 これらの発見は、ニューラルネットワークにおける学習されたルックアヘッドの存在証明であり、その能力をよりよく理解するための一歩かもしれない。
  論文  参考訳（メタデータ） (2024-06-02T21:57:32Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• Bridging the Human-AI Knowledge Gap: Concept Discovery and Transfer in AlphaZero [10.569213003371654]
  AIシステムであるAlphaZeroから新しいチェスの概念を抽出する方法を示す。 4人のチェスのグランドマスターが提示されたコンセプトのプロトタイプ位置の解法の改善を示した結果,これらの概念はトップ・ヒューマン・エキスパートによって学習可能であることが示された。 これは、AIを活用することで人間の知識のフロンティアを前進させる上で、最初の重要なマイルストーンとなる。
  論文  参考訳（メタデータ） (2023-10-25T06:49:26Z)
• Evaluation Beyond Task Performance: Analyzing Concepts in AlphaZero in Hex [39.001544338346655]
  我々は,HexゲームにおけるAlphaZeroの内部表現について,自然言語処理(NLP)による2つの評価手法を用いて検討する。 短期的なエンドゲーム計画に関する概念はモデルの最終層に最もよくエンコードされているのに対し、長期計画に関する概念はモデルの中層に最もよくエンコードされている。
  論文  参考訳（メタデータ） (2022-11-26T21:59:11Z)
• Neural Networks for Chess [2.055949720959582]
  AlphaZero、Leela Chess Zero、Stockfish NNUEはコンピュータチェスに革命をもたらした。 この本は、そのようなエンジンの技術的な内部動作について、完全な紹介を行っている。
  論文  参考訳（メタデータ） (2022-09-03T22:17:16Z)
• An AlphaZero-Inspired Approach to Solving Search Problems [63.24965775030674]
  探索問題を解くためにAlphaZeroで使用される手法と手法を適応する。 本稿では,簡単な解法と自己還元という観点から表現できる可能性について述べる。 また,探索問題に適応したモンテカルロ木探索法についても述べる。
  論文  参考訳（メタデータ） (2022-07-02T23:39:45Z)
• Searching for the Essence of Adversarial Perturbations [73.96215665913797]
  本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。 この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
  論文  参考訳（メタデータ） (2022-05-30T18:04:57Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Towards Human-Understandable Visual Explanations:Imperceptible High-frequency Cues Can Better Be Removed [46.36600006968488]
  HVS(Human Visual System)と精神物理学に制約された人間の能力を考慮する必要があると我々は主張する。 実顔画像と偽顔画像の分類に関するケーススタディを行い、標準的なニューラルネットワークによって選択された特徴の多くは、人間には認識できないことが判明した。
  論文  参考訳（メタデータ） (2021-04-16T08:11:30Z)
• Explainability in Deep Reinforcement Learning [68.8204255655161]
  説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。 エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
  論文  参考訳（メタデータ） (2020-08-15T10:11:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。