論文の概要: Neural Network Learner for Minesweeper

• arxiv url: http://arxiv.org/abs/2212.10446v1
• Date: Wed, 30 Nov 2022 14:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 03:21:13.240180
• Title: Neural Network Learner for Minesweeper
• Title（参考訳）: ミネスウィーパー用ニューラルネットワーク学習装置
• Authors: M Hamza Sajjad
• Abstract要約: このプロジェクトでは、マインズウィーパーを解くニューラルネットワークベースの学習者を提案する。 最高の学習者を選ぶために、ニューラルネットワークの異なるアーキテクチャと構成が数十万のゲームでトレーニングされた。 驚くべきことに、提案したニューラルネットワークベースの学習器は、Minesweeperを解くのに非常に優れた近似関数であることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Minesweeper is an interesting single player game based on logic, memory and guessing. Solving Minesweeper has been shown to be an NP-hard task. Deterministic solvers are the best known approach for solving Minesweeper. This project proposes a neural network based learner for solving Minesweeper. To choose the best learner, different architectures and configurations of neural networks were trained on hundreds of thousands of games. Surprisingly, the proposed neural network based learner has shown to be a very good approximation function for solving Minesweeper. The neural network learner competes well with the CSP solvers, especially in Beginner and Intermediate modes of the game. It was also observed that despite having high success rates, the best neural learner was considerably slower than the best deterministic solver. This report also discusses the overheads and limitations faced while creating highly successful neural networks for Minesweeper.
• Abstract（参考訳）: Minesweeperは、論理、記憶、推測に基づく興味深いシングルプレイヤーゲームである。 minesweeperの解決はnp-hardタスクであることが示されている。 決定論的解法は、マインズウィーパーを解く最もよく知られた方法である。 このプロジェクトは、マインズウィーパーを解くニューラルネットワークベースの学習者を提案する。 最良の学習者を選ぶために、ニューラルネットワークの異なるアーキテクチャと構成が数十万のゲームで訓練された。 驚くべきことに、ニューラルネットワークベースの学習者は、Minesweeperを解くのに非常に良い近似関数であることが示されている。 ニューラルネットワーク学習者は、特にゲームの初心者および中間モードにおいて、cspソルバとよく競合する。 また、高い成功率にもかかわらず、最良のニューラルラーナーは最良の決定論的解法よりもかなり遅いことが観察された。 このレポートでは、minesweeperのために非常に成功したニューラルネットワークを作成する際に直面するオーバーヘッドと制限についても論じている。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• Verified Neural Compressed Sensing [58.98637799432153]
  精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。 極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。 ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
  論文  参考訳（メタデータ） (2024-05-07T12:20:12Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• Excess Risk of Two-Layer ReLU Neural Networks in Teacher-Student Settings and its Superiority to Kernel Methods [58.44819696433327]
  教師回帰モデルにおける2層ReLUニューラルネットワークのリスクについて検討する。 学生ネットワークは、どの解法よりも確実に優れていることがわかった。
  論文  参考訳（メタデータ） (2022-05-30T02:51:36Z)
• Some thoughts on catastrophic forgetting and how to learn an algorithm [0.0]
  我々は,二進数の追加に対して正しいアルゴリズムを復元するためにトレーニング可能な,異なるアーキテクチャを持つニューラルネットワークを提案する。 ニューラルネットワークは破滅的な忘れ物に苦しむだけでなく、トレーニングが進むにつれて、目に見えない数字の予測能力を向上させる。
  論文  参考訳（メタデータ） (2021-08-09T11:12:43Z)
• Fast constraint satisfaction problem and learning-based algorithm for solving Minesweeper [0.0]
  現在の作品は、このゲームを制約満足問題(CSP)とマルコフ決定プロセス(MDP)としてモデル化します。 CSP ベースの Minesweeper ゲームのすべての解を高速に列挙するために、決定論的解探索 (DSScsp) を用いて独立集合から従属として命名された新しい方法を提案する。 また,Minesweeperゲームにおいて,改良された深層Q-ラーニングを精度良く,多目的学習に応用するための新たな報奨手法を提案する。
  論文  参考訳（メタデータ） (2021-05-10T05:27:15Z)
• Dual Monte Carlo Tree Search [0.0]
  我々はDual MCTSが、様々な対称ゲームや非対称ゲームにおいて最も広く使われているニューラルMCTSアルゴリズムであるAlphaZeroよりも優れていることを示す。 デュアルMCTSは、2つの異なる検索木、単一のディープニューラルネットワーク、PUCB、スライドウィンドウ、およびepsilon-greedyアルゴリズムの組み合わせを使用して検索木のための新しい更新技術を使用しています。
  論文  参考訳（メタデータ） (2021-03-21T23:34:11Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Extending Answer Set Programs with Neural Networks [2.512827436728378]
  ニューラルネットワークを導入することで、応答セットプログラムをシンプルに拡張するNeurASPを提案する。 我々は、NeurASPがトレーニング済みニューラルネットワークの知覚精度を向上できるだけでなく、論理ルールによる制約を与えることで、ニューラルネットワークをより良くトレーニングできることを示した。
  論文  参考訳（メタデータ） (2020-09-22T00:52:30Z)
• Multi-Armed Bandits for Minesweeper: Profiting from Exploration-Exploitation Synergy [0.0]
  人気のコンピュータパズルであるマインズウィーパーのゲームでは、人間のプレイヤーは幸運と戦略の両方を混ぜて成功させる必要がある。 我々は,このゲームで提示される問題に対処するために,強化学習に基づく新しい方法論を開発する。
  論文  参考訳（メタデータ） (2020-07-25T01:44:50Z)

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。