論文の概要: Monopoly Deal: A Benchmark Environment for Bounded One-Sided Response Games

• arxiv url: http://arxiv.org/abs/2510.25080v1
• Date: Wed, 29 Oct 2025 01:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.903317
• Title: Monopoly Deal: A Benchmark Environment for Bounded One-Sided Response Games
• Title（参考訳）: Monopoly Deal: 境界のあるワンサイドのレスポンスゲームのためのベンチマーク環境
• Authors: Will Wolf,
• Abstract要約: カードゲームは、不確実性の下でシーケンシャルな意思決定を研究するために広く使われている。 あまり探索されていないが戦略的にリッチな構造、すなわち有界な片側応答が存在する。 このメカニズムを特徴とするゲームはBORG(Bounded One-Sided Response Games)と呼ぶ。 ベンチマーク環境としてMonopoly Dealの修正版を導入し、BORGダイナミックを特に分離する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Card games are widely used to study sequential decision-making under uncertainty, with real-world analogues in negotiation, finance, and cybersecurity. Typically, these games fall into three categories based on the flow of control: strictly-sequential (where players alternate single actions), deterministic-response (where some actions trigger a fixed outcome), and unbounded reciprocal-response (where alternating counterplays are permitted). A less-explored but strategically rich structure exists: the bounded one-sided response. This dynamic occurs when a player's action briefly transfers control to the opponent, who must satisfy a fixed condition through one or more sequential moves before the turn resolves. We term games featuring this mechanism Bounded One-Sided Response Games (BORGs). We introduce a modified version of Monopoly Deal as a benchmark environment that specifically isolates the BORG dynamic, where a Rent action forces the opponent to sequentially choose payment assets. We demonstrate that the gold-standard algorithm, Counterfactual Regret Minimization (CFR), successfully converges on effective strategies for this domain without requiring novel algorithmic extensions. To support efficient, reproducible experimentation, we present a lightweight, full-stack research platform that unifies the environment, a parallelized CFR runtime, and a human-playable web interface, all runnable on a single workstation. This system provides a practical foundation for exploring state representation and policy learning in bounded one-sided response settings. The trained CFR agent and source code are available at https://monopolydeal.ai.
• Abstract（参考訳）: カードゲームは、交渉、金融、サイバーセキュリティにおける現実世界の類似点とともに、不確実性の下でのシーケンシャルな意思決定を研究するために広く使われている。 通常、これらのゲームは制御の流れに基づいて3つのカテゴリに分類される: 厳密な順序(プレイヤーが1つのアクションを交互に行う)、決定論的応答(いくつかのアクションが一定の結果を引き起こす)、および非有界な相互応答(逆プレイが交互に許可される)。 あまり探索されていないが戦略的にリッチな構造、すなわち有界な片側応答が存在する。 このダイナミクスは、プレーヤーのアクションが、ターンが終了する前に1つ以上のシーケンシャルな動きを通じて、一定の条件を満たす必要がある相手に、一時的に制御を移すときに発生する。 このメカニズムを特徴とするゲームはBORG(Bounded One-Sided Response Games)と呼ぶ。 本稿では,BORGダイナミックを特に分離するベンチマーク環境として,Monopoly Dealの修正版を導入する。 我々は,金本位アルゴリズムであるCFRが,新しいアルゴリズム拡張を必要とせずに,この領域の効果的な戦略に収束できることを実証した。 効率よく再現可能な実験を支援するために、我々は軽量でフルスタックな研究プラットフォームを提案し、環境を統一し、並列化されたCFRランタイムと、単一のワークステーション上で実行可能なウェブインターフェースを提供する。 本システムは,境界付き片側応答設定における状態表現とポリシー学習の実践的基盤を提供する。 トレーニング済みのCFRエージェントとソースコードはhttps://monopolydeal.ai.comで公開されている。

関連論文リスト

• LM Fight Arena: Benchmarking Large Multimodal Models via Game Competition [104.81487689011341]
  本稿では,Mortal Kombat IIにおける大規模マルチモーダルモデルを評価する新しいフレームワークであるLM Fight Arenaを紹介する。 静的評価とは異なり、LM Fight Arenaは完全に自動化され、再現可能で、LMMの戦略的推論能力の客観的評価を提供する。
  論文  参考訳（メタデータ） (2025-10-10T02:19:21Z)
• Cooperation or Competition: Avoiding Player Domination for Multi-Target Robustness via Adaptive Budgets [76.20705291443208]
  我々は、敵攻撃を、異なるプレイヤーがパラメータ更新の合同方向で合意に達するために交渉する交渉ゲームであると見なしている。 我々は、プレイヤーの優位性を避けるために、異なる敵の予算を調整する新しいフレームワークを設計する。 標準ベンチマークの実験では、提案したフレームワークを既存のアプローチに適用することで、マルチターゲットロバスト性が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-06-27T14:02:10Z)
• Provably Efficient Fictitious Play Policy Optimization for Zero-Sum Markov Games with Structured Transitions [145.54544979467872]
  本研究では,ゼロサムマルコフゲームに対して,構造的だが未知の遷移を伴う架空のプレイポリシー最適化アルゴリズムを提案し,解析する。 我々は、2年制の競争ゲームシナリオで、$K$のエピソードに続き、$widetildemathcalO(sqrtK)$ regret boundsを証明した。 提案アルゴリズムは,アッパー信頼境界(UCB)型最適化と,同時政策最適化の範囲内での架空のプレイの組み合わせを特徴とする。
  論文  参考訳（メタデータ） (2022-07-25T18:29:16Z)
• Decentralized Optimistic Hyperpolicy Mirror Descent: Provably No-Regret Learning in Markov Games [95.10091348976779]
  我々はマルコフゲームにおいて、非定常的でおそらく敵対的な相手と遊べる単一のエージェントを制御する分散ポリシー学習について研究する。 我々は、新しいアルゴリズム、アンダーラインデ集中型アンダーラインハイプラインRpolicy munderlineIrror deunderlineScent (DORIS)を提案する。 DORISは、一般的な関数近似の文脈で$sqrtK$-regretを達成する。
  論文  参考訳（メタデータ） (2022-06-03T14:18:05Z)
• Elastic Monte Carlo Tree Search with State Abstraction for Strategy Game Playing [58.720142291102135]
  戦略ビデオゲームは、複雑なゲーム要素によって引き起こされる検索スペースでAIエージェントに挑戦する。 状態抽象化は、状態空間の複雑さを低減する一般的なテクニックである。 我々は,状態抽象化を用いてストラテジーゲームをプレイするアルゴリズムであるElastic MCTSを提案する。
  論文  参考訳（メタデータ） (2022-05-30T14:18:45Z)
• Adversarial Online Learning with Variable Plays in the Pursuit-Evasion Game: Theoretical Foundations and Application in Connected and Automated Vehicle Cybersecurity [5.9774834479750805]
  対戦型・非確率型マルチアームバンディット(MPMAB)は,演奏するアームの数が変動している場合に拡張する。 この作業は、相互接続された輸送システムにおいて、異なる重要な場所をスキャンするために割り当てられたリソースが、時間とともに、環境によって動的に変化するという事実によって動機付けられている。
  論文  参考訳（メタデータ） (2021-10-26T23:09:42Z)
• Integrating Planning, Execution and Monitoring in the presence of Open World Novelties: Case Study of an Open World Monopoly Solver [21.170242411005955]
  モノポリーはDARPA-SAILON計画で選ばれたテストベッドの1つであった。 我々は、完全な計画を立てるエージェントを開発し、ゲームが進化するにつれて、オンラインのポリシーに適応する。
  論文  参考訳（メタデータ） (2021-07-09T08:26:28Z)
• Efficient Competitive Self-Play Policy Optimization [20.023522000925094]
  対戦型ゼロサムゲームにおける対戦型自己演奏強化学習のための新しいアルゴリズムフレームワークを提案する。 本手法は,複数のエージェントを同時に訓練し,単純な対戦ルールに基づいて知的に互いに相手として取り合う。 我々は,このアルゴリズムが凸凹ゲームにおいて高い確率で近似平衡に収束することを理論的に証明する。
  論文  参考訳（メタデータ） (2020-09-13T21:01:38Z)
• Learning to Play No-Press Diplomacy with Best Response Policy Iteration [31.367850729299665]
  7人プレイのボードゲームであるDiplomacyに深層強化学習手法を適用した。 我々は, エージェントが従来の状態を確実に上回り, ゲーム理論平衡解析により, 新しいプロセスが一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-08T14:33:31Z)
• 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)

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。