論文の概要: PAWN: Piece Value Analysis with Neural Networks

• arxiv url: http://arxiv.org/abs/2604.15585v1
• Date: Thu, 16 Apr 2026 23:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.679649
• Title: PAWN: Piece Value Analysis with Neural Networks
• Title（参考訳）: PAWN:ニューラルネットワークを用いたピース値解析
• Authors: Ethan Tang, Hasan Davulcu, Jia Zou, Zhongju Zhang,
• Abstract要約: グランドマスターレベルのゲームから収集された1200万以上のピース値ペアのデータセットを用いて、拡張されたピース値予測器は文脈に依存しないシステムを大幅に上回る。 本研究は,問題状態全体を文脈として符号化することで,個々の成分の寄与を予測する上で有用な帰納バイアスが得られることを示唆する。
• 参考スコア（独自算出の注目度）: 0.7919706718877336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the relative value of any given chess piece in a position remains an open challenge, as a piece's contribution depends on its spatial relationships with every other piece on the board. We demonstrate that incorporating the state of the full chess board via latent position representations derived using a CNN-based autoencoder significantly improves accuracy for MLP-based piece value prediction architectures. Using a dataset of over 12 million piece-value pairs gathered from Grandmaster-level games, with ground-truth labels generated by Stockfish 17, our enhanced piece value predictor significantly outperforms context-independent MLP-based systems, reducing validation mean absolute error by 16% and predicting relative piece value within approximately 0.65 pawns. More generally, our findings suggest that encoding the full problem state as context provides useful inductive bias for predicting the contribution of any individual component.
• Abstract（参考訳）: ある位置にあるチェスの駒の相対的な価値を予測することは、その駒の貢献がボード上の他の全ての駒との空間的関係に依存するため、未解決の課題である。 我々は,CNNベースのオートエンコーダを用いた潜在位置表現による全チェス盤の状態を組み込むことで,MLPベースのピース値予測アーキテクチャの精度を大幅に向上することを示した。 グランドマスターレベルのゲームから収集された1200万以上のピース値ペアのデータセットと、Stockfish 17によって生成されたグランドトラストラベルを用いて、拡張されたピース値予測器は、文脈に依存しないMLPベースのシステムよりも大幅に優れ、検証平均絶対誤差が16%減少し、相対的なピース値が約0.65ポーンの範囲で予測される。 より一般的には、コンテクストとしての完全な問題状態の符号化は、個々のコンポーネントの寄与を予測するのに有用な帰納的バイアスをもたらすことが示唆されている。

関連論文リスト

• FinReflectKG - EvalBench: Benchmarking Financial KG with Multi-Dimensional Evaluation [0.0]
  FinReflectKG - EvalBenchは金融知識グラフのベンチマークおよび評価フレームワークである。 監査済みのトリプルをS&P 100ファイルのソースチャンクにリンクし、シングルパス、マルチパス、リフレクションエージェントベースの抽出モードをサポートする。 以上の結果から,LLM-as-Judgeプロトコルは,明示的なバイアス制御を備えると,人間のアノテーションに代わる信頼性とコスト効率のよい代替手段となることが示唆された。
  論文  参考訳（メタデータ） (2025-10-07T09:22:48Z)
• Log-Sum-Exponential Estimator for Off-Policy Evaluation and Learning [50.93804891554481]
  従来の逆確率スコア推定よりも優れた対数推定演算子(log-sum-exponential (LSE)演算子)に基づく新しい推定器を提案する。 我々のLSE推定器は, 重み付き条件下での分散低減とロバスト性を示す。 政治以外の学習シナリオでは、LSE推定器と最適ポリシーの間のパフォーマンスギャップである後悔の限界を確立します。
  論文  参考訳（メタデータ） (2025-06-07T17:37:10Z)
• Structured Reasoning for Fairness: A Multi-Agent Approach to Bias Detection in Textual Data [0.0]
  本稿では,各文を事実あるいは意見として切り離して識別するマルチエージェントフレームワークを提案する。 改良された検出精度と解釈可能な説明を組み合わせることで、現代の言語モデルにおける説明責任を促進する。
  論文  参考訳（メタデータ） (2025-03-01T05:27:54Z)
• Reliable Evaluation of Attribution Maps in CNNs: A Perturbation-Based Approach [7.1606014219358425]
  本稿では、畳み込みニューラルネットワーク(CNNGrads)の予測の解釈において中心的な役割を果たす属性マップの評価手法を提案する。 本研究では,広く使用されている挿入・削除指標が,ランキングの信頼性に影響を及ぼす分布シフトの影響を受けやすいことを示す。 提案手法は, 画素修正を逆方向の摂動に置き換えることであり, より堅牢な評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-22T13:57:56Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• ConjNorm: Tractable Density Estimation for Out-of-Distribution Detection [41.843497191873105]
  ポストホックアウト・オブ・ディストリビューション(OOD)検出は、信頼性の高い機械学習において大きな注目を集めている。 本稿では,密度に基づくスコア設計の統一的な視点を提供するために,Bregmanの発散に基づく理論的枠組みを提案する。 我々は,提案するtextscConjNormが,様々なOOD検出設定において,新たな最先端技術を確立したことを示す。
  論文  参考訳（メタデータ） (2024-02-27T21:02:47Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [49.15931834209624]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)

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。