論文の概要: Chessformer: A Unified Architecture for Chess Modeling

• arxiv url: http://arxiv.org/abs/2605.19091v1
• Date: Mon, 18 May 2026 20:27:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.974574
• Title: Chessformer: A Unified Architecture for Chess Modeling
• Title（参考訳）: Chessformer: チェスモデリングのための統一アーキテクチャ
• Authors: Daniel Monroe, George Eilender, Philip Chalmers, Zhenwei Tang, Ashton Anderson,
• Abstract要約: Chessは長年、人工知能の標準的なテストベッドとして機能してきたが、その中心となるタスクのモデリングアプローチは多様化してきた。 チェスのモデリングにおける3つの中心的な目標すべてについて、最先端の技術を進化させる統一アーキテクチャであるChessformerを紹介します。
• 参考スコア（独自算出の注目度）: 8.811775497383227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chess has long served as a canonical testbed for artificial intelligence, but modeling approaches for its central tasks have diverged. Maximizing playing strength, predicting human play, and enabling interpretability are typically solved with disparate architectures, and these designs are often misaligned with the geometry of the domain. This raises the natural question of whether these objectives require separate modeling paradigms, or if there exists a single architecture that supports them simultaneously. We introduce Chessformer, a unified architecture that advances the state of the art on all three central goals in chess modeling. Chessformer is an encoder-only transformer that represents board squares as tokens, augments self-attention with a novel dynamic positional encoding called Geometric Attention Bias (GAB) that adapts to domain-specific geometry, and predicts actions with an attention-based source-destination policy head. We evaluate Chessformer on each front. First, we develop \maiathree, a family of models for human move prediction that reaches 57.1\% move-matching accuracy, significantly surpassing the previous state of the art with fewer than a quarter of the parameters. Second, we integrate Chessformer into Leela Chess Zero, a leading open-source engine, adding over 100 Elo of playing strength and resulting in tournament victories over Stockfish in major computer chess competitions. Third, we show that Chessformer's square-token design makes attention patterns and activations directly attributable to board squares, enabling granular interpretability analyses that prior architectures do not naturally support. More broadly, our results demonstrate that aligning a model's tokenization, positional encoding, and output design with the underlying structure of a domain can yield simultaneous gains in performance, human compatibility, and interpretability.
• Abstract（参考訳）: Chessは長年、人工知能の標準的なテストベッドとして機能してきたが、その中心となるタスクのモデリングアプローチは多様化してきた。 遊びの強さの最大化、人間の遊びの予測、解釈可能性の実現は、典型的には異なるアーキテクチャで解決される。 これにより、これらの目的が別々のモデリングパラダイムを必要とするのか、あるいは同時にそれらをサポートする単一のアーキテクチャが存在するのかという自然な疑問が提起される。 チェスモデリングにおける3つの中心的な目標すべてについて、最先端の技術を進化させる統一アーキテクチャであるChessformerを紹介した。 Chessformerは、ボード正方形をトークンとして表現するエンコーダのみのトランスフォーマーで、Geometric Attention Bias (GAB)と呼ばれる、ドメイン固有の幾何学に適応する新しい動的位置エンコーディングで自己アテンションを強化し、アテンションベースのソース決定ポリシーヘッドでアクションを予測する。 両面におけるチェスホルダーの評価を行った。 まず,人間の移動予測モデルである‘maia Three’を開発し,57.1\%の移動マッチング精度を達成し,パラメータの4分の1以下で従来の最先端技術を大幅に上回った。 第2に、Chessformerを、主要なオープンソースのエンジンであるLeela Chess Zeroに統合し、100Elo以上のプレイ能力を追加し、主要なコンピュータチェスコンペティションにおけるStockfishでのトーナメント勝利を実現しました。 第三に、Chessformerの正方形設計は、ボード正方形に直接帰属する注意パターンやアクティベーションを生かし、先行アーキテクチャが自然にサポートしていないような粒度の解釈可能性解析を可能にする。 より広範に、モデルのトークン化、位置符号化、出力設計をドメインの基盤構造と整合させることで、性能、人間の互換性、解釈可能性の同時的な向上が得られることを示す。

関連論文リスト

• GenTac: Generative Modeling and Forecasting of Soccer Tactics [66.35532694378146]
  GenTacはサッカーの戦術を、連続したマルチプレイヤーの軌跡と個別の意味的な出来事のプロセスとして概念化している。 対戦行動、特定のチームやリーグプレースタイル、戦略的目的など、リッチなコンテキスト条件付けをサポートする。 バスケットボール、アメリカンフットボール、アイスホッケーなど、他のダイナミックチームスポーツへの一般化をうまく訓練することができる。
  論文  参考訳（メタデータ） (2026-04-13T17:53:49Z)
• Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
  UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。 エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。 第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。 第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
  論文  参考訳（メタデータ） (2026-04-12T10:36:18Z)
• Predicting Human Chess Moves: An AI Assisted Analysis of Chess Games Using Skill-group Specific n-gram Language Models [0.0]
  このフレームワークはn-gram言語モデルを使用して、特定のプレイヤースキルレベル特有の動きパターンをキャプチャする。 私たちは、オープンソースのチェスプラットフォームであるLichessからのデータを使って、別々のモデルをトレーニングしました。 このフレームワークは、アーリーゲーム情報を利用する際に、スキルレベルを最大31.7%の精度で分類することができる。
  論文  参考訳（メタデータ） (2025-12-01T17:02:07Z)
• From Spatial to Actions: Grounding Vision-Language-Action Model in Spatial Foundation Priors [54.84863164684646]
  既存の視覚言語アクション(VLA)モデルは3Dの現実世界で機能するが、通常は2Dエンコーダ上に構築される。 本研究では,アクションヘッドにリッチな3次元空間トークンを注入する新しいパラダイムであるFALCONを紹介する。
  論文  参考訳（メタデータ） (2025-10-20T11:26:45Z)
• Explore the Reasoning Capability of LLMs in the Chess Testbed [45.12891789312405]
  我々は,注釈付き戦略と戦術を統合することで,チェスにおける大規模言語モデルの推論能力を向上させることを提案する。 我々はLLaMA-3-8Bモデルを微調整し、より優れたチェスの動きを選択するタスクにおいて、最先端の商用言語モデルと比較する。
  論文  参考訳（メタデータ） (2024-11-11T01:42:56Z)
• Enhancing Chess Reinforcement Learning with Graph Representation [21.919003715442074]
  グラフニューラルネットワーク(GNN)に基づくより一般的なアーキテクチャを導入する。 この新しいアーキテクチャは、同じ数のパラメータで以前のアーキテクチャより優れていることを示す。 また、より小さな5倍のチェスでトレーニングすると、通常の8倍のチェスでプレイできるように素早く微調整できることも示しています。
  論文  参考訳（メタデータ） (2024-10-31T09:18:47Z)
• Mastering Chess with a Transformer Model [0.0]
  十分な表現力のある位置表現を付与したトランスフォーマーは,既存のチェス演奏モデルと計算コストのごく一部で一致できることを示す。 私たちのアーキテクチャはChessformerと呼ばれ、8倍少ない計算でAlphaZeroの演奏能力とパズル解決能力の両方で大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-18T19:05:21Z)
• Amortized Planning with Large-Scale Transformers: A Case Study on Chess [11.227110138932442]
  本稿では,AIにおける画期的な計画問題であるチェスを用いて,計画課題の性能評価を行う。 ChessBenchは、Stockfishが提供する法的行動と価値アノテーション(1500億ポイント)を備えた1000万のチェスゲームの大規模なベンチマークである。 極めて優れた近似を教師付き学習により大規模変圧器に蒸留することは可能であるが, 完全蒸留は依然として到達範囲を超えている。
  論文  参考訳（メタデータ） (2024-02-07T00:36:24Z)
• Determining Chess Game State From an Image [19.06796946564999]
  本稿では,既存のモデルよりも桁違いに大きい3次元モデルから合成した新しいデータセットについて述べる。 従来のコンピュータビジョン技術とディープラーニングを組み合わせた新しいエンドツーエンドチェス認識システムを紹介します。 記述されたシステムでは,テストセット上での誤差率は0.23%であり,現状の28倍である。
  論文  参考訳（メタデータ） (2021-04-30T13:02:13Z)
• Learning Chess Blindfolded: Evaluating Language Models on State Tracking [69.3794549747725]
  私たちはチェスのゲームのための言語モデリングのタスクを検討します。 自然言語とは異なり、チェス表記法は単純で制約のある決定論的領域を記述する。 トランスフォーマー言語モデルでは,移動シーケンスのみを訓練することで,ピースの追跡や法的動作の予測を高精度に行うことができる。
  論文  参考訳（メタデータ） (2021-02-26T01:16:23Z)

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。