論文の概要: Parallelizing Tree Search with Twice Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2511.14220v1
• Date: Tue, 18 Nov 2025 07:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.996796
• Title: Parallelizing Tree Search with Twice Sequential Monte Carlo
• Title（参考訳）: 二列モンテカルロによる木探索の並列化
• Authors: Yaniv Oren, Joery A. de Vries, Pascal R. van der Vaart, Matthijs T. J. Spaan, Wendelin Böhmer,
• Abstract要約: 我々はモンテカルロ木探索 (MCTS) アルゴリズムの代替として, TSMCTS (Twice Sequential Monte Carlo Tree Search) を提案する。 TSMCTSは並列化が容易で、GPUアクセラレーションに適している。 TSMCTSは,SMCの並列化を自然にする特性を維持しつつ,逐次計算と良好にスケール可能であることを示す。
• 参考スコア（独自算出の注目度）: 7.863528049670872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model-based reinforcement learning (RL) methods that leverage search are responsible for many milestone breakthroughs in RL. Sequential Monte Carlo (SMC) recently emerged as an alternative to the Monte Carlo Tree Search (MCTS) algorithm which drove these breakthroughs. SMC is easier to parallelize and more suitable to GPU acceleration. However, it also suffers from large variance and path degeneracy which prevent it from scaling well with increased search depth, i.e., increased sequential compute. To address these problems, we introduce Twice Sequential Monte Carlo Tree Search (TSMCTS). Across discrete and continuous environments TSMCTS outperforms the SMC baseline as well as a popular modern version of MCTS. Through variance reduction and mitigation of path degeneracy, TSMCTS scales favorably with sequential compute while retaining the properties that make SMC natural to parallelize.
• Abstract（参考訳）: 探索を利用するモデルベース強化学習(RL)手法は、RLにおける多くの画期的なブレークスルーの原因となっている。 シークエンシャルモンテカルロ(SMC)は最近、これらのブレークスルーを駆動するモンテカルロ木探索(MCTS)アルゴリズムの代替として登場した。 SMCは並列化が容易で、GPUアクセラレーションに適している。 しかし、探索深度の増加、すなわちシーケンシャルな計算量の増加によって、大きなばらつきと経路の縮退に悩まされる。 これらの問題に対処するため、TSMCTS (Twice Sequential Monte Carlo Tree Search) を提案する。 離散的かつ連続的な環境におけるTSMCTSは、MCTSのモダンバージョンと同様に、SMCベースラインよりも優れている。 経路縮退の分散低減と緩和により、TSMCTSはSMCの並列化を自然なものにする特性を維持しながら、逐次計算と良好にスケールする。

関連論文リスト

• Monte Carlo Tree Diffusion for System 2 Planning [57.50512800900167]
  モンテカルロ木探索(MCTS)の適応探索機能と拡散モデルの生成強度を統合する新しいフレームワークであるモンテカルロ木拡散(MCTD)を紹介する。 本手法は,木構造化プロセスとしてデノナイジングを再認識し,部分的にデノナイジングした計画を反復的に評価し,刈り取り,精錬する。
  論文  参考訳（メタデータ） (2025-02-11T02:51:42Z)
• Anytime Sequential Halving in Monte-Carlo Tree Search [1.3820916757781068]
  本稿では,任意のタイミングで停止し,良好な結果を返すアルゴリズムの任意のバージョンを提案する。 合成MAB問題と10の異なるボードゲームにおける経験的結果から、アルゴリズムの性能がSequential Halving や UCB1と競合していることが示されている。
  論文  参考訳（メタデータ） (2024-11-11T17:49:47Z)
• Bayesian Decision Trees Inspired from Evolutionary Algorithms [64.80360020499555]
  我々は、マルコフ連鎖モンテカルロ(MCMC)を本質的に並列なアルゴリズムであるシーケンシャルモンテカルロ(SMC)に置き換えることを提案する。 実験により、SMCと進化的アルゴリズム(EA)を組み合わせることで、MCMCの100倍のイテレーションでより正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-30T06:17:35Z)
• Continuous Monte Carlo Graph Search [61.11769232283621]
  連続モンテカルログラフサーチ(Continuous Monte Carlo Graph Search, CMCGS)は、モンテカルログラフサーチ(MCTS)のオンラインプランニングへの拡張である。 CMCGSは、計画中、複数の州で同じ行動方針を共有することで高いパフォーマンスが得られるという洞察を生かしている。 並列化によってスケールアップすることができ、学習力学モデルによる連続制御においてクロスエントロピー法(CEM)よりも優れている。
  論文  参考訳（メタデータ） (2022-10-04T07:34:06Z)
• Variational Combinatorial Sequential Monte Carlo Methods for Bayesian Phylogenetic Inference [4.339931151475307]
  Vari Combinatorial Monte Carlo (VCSMC) は複雑な構造について学習するための変分探索を確立する強力なフレームワークである。 本稿では,VCSMC と CSMC が,従来のタスクよりも高い確率空間を探索できることを示す。
  論文  参考訳（メタデータ） (2021-05-31T19:44:24Z)

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。