論文の概要: Minibal: Balanced Game-Playing Without Opponent Modeling
- arxiv url: http://arxiv.org/abs/2603.23059v1
- Date: Tue, 24 Mar 2026 10:56:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.441738
- Title: Minibal: Balanced Game-Playing Without Opponent Modeling
- Title（参考訳）: Minibal: ポンポンモデリングのないバランスの取れたゲームプレイ
- Authors: Quentin Cohen-Solal, Tristan Cazenave,
- Abstract要約: Minibalは、バランスの取れたプレイ用に特別に設計されたMinimaxの派生型である。
7つのボードゲームで行われた実験は、1つの変種が常に最もバランスの取れたプレーを達成することを示した。
- 参考スコア（独自算出の注目度）: 2.5788559173418357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in game AI, such as AlphaZero and Athénan, have achieved superhuman performance across a wide range of board games. While highly powerful, these agents are ill-suited for human-AI interaction, as they consistently overwhelm human players, offering little enjoyment and limited educational value. This paper addresses the problem of balanced play, in which an agent challenges its opponent without either dominating or conceding. We introduce Minibal (Minimize & Balance), a variant of Minimax specifically designed for balanced play. Building on this concept, we propose several modifications of the Unbounded Minimax algorithm explicitly aimed at discovering balanced strategies. Experiments conducted across seven board games demonstrate that one variant consistently achieves the most balanced play, with average outcomes close to perfect balance. These results establish Minibal as a promising foundation for designing AI agents that are both challenging and engaging, suitable for both entertainment and serious games.
- Abstract（参考訳）: AlphaZeroやAthénanといったゲームAIの最近の進歩は、幅広いボードゲームで超人的なパフォーマンスを実現している。
非常に強力なエージェントだが、これらのエージェントは人間とAIの相互作用には適していない。
本稿では,エージェントが支配的あるいは譲歩的でない相手に挑戦する,バランスのとれたプレイの問題に対処する。
バランスプレイ用に特別に設計されたMinimaxの変種であるMinibal(Minimize & Balance)を紹介する。
この概念に基づいて,バランスの取れた戦略を発見することを目的としたUnbounded Minimaxアルゴリズムのいくつかの改良を提案する。
7つのボードゲームで行われた実験では、1つの変種が常に最もバランスの取れたプレーを達成し、平均的な結果は完全なバランスに近いことが示されている。
これらの結果は、エンターテイメントと真剣なゲームの両方に適した、挑戦的でエンゲージメントの高いAIエージェントを設計するための有望な基盤として、Minibalを確立します。
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) - Securing Equal Share: A Principled Approach for Learning Multiplayer Symmetric Games [21.168085154982712]
マルチプレイヤーゲームにおける平衡は、一意でも爆発的でもない。
本稿では,平等な共有という自然な目的に焦点をあてることで,これらの課題に対処するための最初の一歩を踏み出す。
我々は、様々な設定でほぼ同じシェアを確実に得る、非回帰学習にインスパイアされた、一連の効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-06-06T15:59:17Z) - Mastering Zero-Shot Interactions in Cooperative and Competitive Simultaneous Games [19.46888484570957]
アルバトロスはバトルスネークの競争ゲームで弱いエージェントを利用することができる。
これは、協調オーバークッキングベンチマークの以前の技術状況と比較して37.6%改善している。
論文 参考訳（メタデータ） (2024-02-05T16:03:44Z) - DanZero+: Dominating the GuanDan Game through Reinforcement Learning [95.90682269990705]
我々は、GuanDanという、非常に複雑で人気のあるカードゲームのためのAIプログラムを開発した。
私たちはまず、DanZeroという名のAIプログラムをこのゲームのために提案しました。
AIの能力をさらに強化するために、政策に基づく強化学習アルゴリズムをGuanDanに適用する。
論文 参考訳（メタデータ） (2023-12-05T08:07:32Z) - How Bad is Selfish Driving? Bounding the Inefficiency of Equilibria in
Urban Driving Games [64.71476526716668]
我々は,任意の平衡選手がプレーに同意するであろう効率について検討する。
我々は、アナーキーの価格に関する既存の境界を洗練させる保証を得る。
提案手法はオープンループ軌道に対する懸念を保証しているが,エージェントがクローズドループポリシーを採用する場合においても,効率的な平衡を観測する。
論文 参考訳（メタデータ） (2022-10-24T09:32:40Z) - 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) - Playing Against the Board: Rolling Horizon Evolutionary Algorithms
Against Pandemic [3.223284371460913]
本稿では,短期的リスク軽減と長期的勝利戦略のバランスをとる必要があるため,コラボレーションボードゲームが人工知能に異なる課題をもたらすことを主張する。
本稿では,協調型ボードゲームにおけるパンデミックの例を示し,このゲームに展開する進化的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-28T09:22:10Z) - Collaborative Agent Gameplay in the Pandemic Board Game [3.223284371460913]
Pandemicは、すべてのプレイヤーがゲームの進行中に発生する出来事によって引き起こされる課題を克服するために調整する模範的な共同ボードゲームです。
本稿では,すべてのプレイヤーの行動を制御し,この高度に進化した環境において勝つ確率と負けるリスクをバランスさせる人工エージェントを提案する。
提案アルゴリズムは,様々な難易度を持つ異なるゲームにおいて,より一貫した勝利戦略を見出すことができることを示す。
論文 参考訳（メタデータ） (2021-03-21T13:18:20Z) - TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and
Competition for AI [62.997667081978825]
TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。
ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
論文 参考訳（メタデータ） (2020-09-18T09:13:56Z) - Suphx: Mastering Mahjong with Deep Reinforcement Learning [114.68233321904623]
我々は、新たに導入されたいくつかの技術を用いた深層強化学習に基づいて、Suphxという名のマフジョンのためのAIを設計する。
Suphxは、安定したランクの点で、ほとんどのトップの人間プレイヤーよりも強いパフォーマンスを示している。
コンピュータプログラムがマヒョンで最上位の人間プレイヤーを上回るのは、これが初めてである。
論文 参考訳（メタデータ） (2020-03-30T16:18:16Z)
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。