論文の概要: Using Wordle for Learning to Design and Compare Strategies

• arxiv url: http://arxiv.org/abs/2205.11225v1
• Date: Sat, 30 Apr 2022 14:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 21:21:44.637430
• Title: Using Wordle for Learning to Design and Compare Strategies
• Title（参考訳）: wordleを使って学習し、戦略を設計、比較する
• Authors: Chao-Lin Liu
• Abstract要約: ゲームに関する確率的,統計的,情報理論的な情報に基づいて,Wordleを解くためのパラメータ化戦略を設計することができる。 この戦略は、システム的にも動的にも、Wordleのようなゲーム群を合理的に扱うことができる。 本稿では,現在のWordleを解くために,パラメータ化戦略の2つのファミリを用いた結果について述べる。
• 参考スコア（独自算出の注目度）: 0.685316573653194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wordle is a very popular word game that is owned by the New York Times. We can design parameterized strategies for solving Wordle, based on probabilistic, statistical, and information-theoretical information about the games. The strategies can handle a reasonably large family of Wordle-like games both systematically and dynamically, meaning that we do not rely on precomputations that may work for non-fixed games. More specifically, the answer set can be arbitrary, not confining to the current 2315 words. The answer words may include any specific number of letters (does not have to be five), and the set of symbols that form the words does not have to be limited to only the English alphabet. Exploring possible strategies for solving the Wordle-like games offers an attractive learning challenges for students who are learning to design computer games. This paper will provide the results of using two families of parameterized strategies to solve the current Wordle, using the simulator that abides by the hard-mode rules as the baseline. The baseline simulator used an average of 4.078 guesses to find the 2315 answers, and needed more than six trials to solve the game 1.77% of the time. The best performing strategy of ours used an average of 3.674 guesses to find the 2315 answers, and failed 0.65% of the time.
• Abstract（参考訳）: Wordleは非常に人気のあるワードゲームで、ニューヨーク・タイムズが所有している。 ゲームに関する確率的,統計的,情報理論的な情報に基づいて,Wordleを解くためのパラメータ化戦略を設計することができる。 この戦略は、体系的にも動的にもWordleのようなゲーム群を合理的に扱えるので、固定されていないゲームで使えるプリ計算に頼らない。 より具体的には、回答集合は任意であり、現在の2315語に拘束されない。 解答語には、特定の文字数(5文字でなくてもよい)が含まれており、その単語を構成する記号の集合は、英語のアルファベットのみに制限される必要はない。 Wordleのようなゲームを解くための戦略を探求することは、コンピュータゲームの設計を学ぶ学生にとって魅力的な学習課題となる。 本稿では, ハードモードルールをベースラインとするシミュレータを用いて, パラメータ化戦略の2つのファミリーを用いて, 現在のワードルの解法を示す。 ベースラインシミュレータは平均4.078回の推測で2315の答えを見つけ、ゲームの1.77%を解くには6回以上の試行が必要だった。 我々の最高の行動戦略は平均3.674の推算を使って2315の答えを見つけ、0.65%の確率で失敗した。

関連論文リスト

• People use fast, goal-directed simulation to reason about novel games [75.25089384921557]
  我々は,シンプルだが斬新なコネクテッドnスタイルのボードゲームについて,人々がどう考えるかを研究する。 ゲームがどんなに公平か、そしてどんなに楽しいのかを、ごくわずかな経験から判断するよう、私たちは人々に求めます。
  論文  参考訳（メタデータ） (2024-07-19T07:59:04Z)
• Procedurally generating rules to adapt difficulty for narrative puzzle games [0.0]
  本稿では,ルールを手続き的に生成し,プレイヤーに伝達して難易度を調整することに焦点を当てた。 遺伝的アルゴリズムは、解集合のターゲット数を見つけるのに難易度とともに用いられる。 大きな言語モデルは、物語の文脈でルールを伝えるために使用される。
  論文  参考訳（メタデータ） (2023-07-07T11:14:53Z)
• On Optimal Strategies for Wordle and General Guessing Games [6.85316573653194]
  我々は,徹底的な探索を回避しながら,ゲーム推定のための最適な戦略を見つける方法を開発した。 この研究は任意の推測ゲームに適用するために開発されていますが、具体的な結果を示す例としてWordleを使用します。
  論文  参考訳（メタデータ） (2023-05-16T02:30:10Z)
• Selecting Seed Words for Wordle using Character Statistics [0.3108011671896571]
  Wordleは2022年1月に世界的に人気を博した。 ゲームの目的は、6回の試行で5文字の英語単語を推測することである。 本研究は,5文字単語の文字統計を用いて,最もよい3文字単語を決定する。
  論文  参考訳（メタデータ） (2022-02-07T19:01:19Z)
• Finding the optimal human strategy for Wordle using maximum correct letter probabilities and reinforcement learning [0.0]
  Wordleは2022年1月に普及したオンラインパズルゲームである。 本稿では,単語選択のための2つの方法と,最適な人的戦略を発見するための枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-01T17:03:26Z)
• Playing Codenames with Language Graphs and Word Embeddings [21.358501003335977]
  言語グラフBabelNetからコード名の手がかりを生成できるアルゴリズムを提案する。 本稿では,手掛かりの質を測定する新しいスコアリング機能を提案する。 BabelNet-Word Selection Framework(BabelNet-WSF)を開発して、BabelNetの手がかり品質を向上させます。
  論文  参考訳（メタデータ） (2021-05-12T18:23:03Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)
• Learning Dynamic Belief Graphs to Generalize on Text-Based Games [55.59741414135887]
  テキストベースのゲームをプレイするには、自然言語処理とシーケンシャルな意思決定のスキルが必要である。 本研究では,原文からエンドツーエンドに学習したグラフ構造化表現を用いて,エージェントがテキストベースのゲームでどのように計画・一般化できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-21T04:38:37Z)
• Exploration Based Language Learning for Text-Based Games [72.30525050367216]
  本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。 テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。 これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
  論文  参考訳（メタデータ） (2020-01-24T03:03:51Z)

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。