論文の概要: RePAIR: Predictive Self-Supervised Representation Learning in Chess

• arxiv url: http://arxiv.org/abs/2606.11860v1
• Date: Wed, 10 Jun 2026 09:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.3942
• Title: RePAIR: Predictive Self-Supervised Representation Learning in Chess
• Title（参考訳）: RePAIR: チェスにおける予測的自己監督型表現学習
• Authors: Christoph Koller, Johannes Fürnkranz, Timo Bertram,
• Abstract要約: 反復リファインメント(RePAIR)を用いた自動符号化による表現予測の導入 連続するチェス位置のような連続的なデータにオブジェクトをエンコードして、コンパクトで意味のある表現にする方法を実証する。
• 参考スコア（独自算出の注目度）: 2.1665689529884697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce Representation Prediction via Autoencoding using Iterative Refinement (RePAIR) - a novel self-supervised representation learning architecture that synthesizes Masked Autoencoders (MAE), Joint Embedding Predictive Architectures (JEPA), and Bidirectional Encoder Representations from Transformers (BERT). We demonstrate how it can be used to encode objects in sequential data like consecutive chess positions into compact yet meaningful representations. The basic principle of the architecture is to mask large portions of a sequence of latent states, similar to BERT and MAE. Then, we apply a lightweight Predictor to the latent representations that repairs gaps in the sequence in a lower-dimensional embedding space akin to JEPA. Our experiments in the domain of chess show that the Encoder refines the board representations such that meaningful chess concepts emerge clustered in the latent space. Furthermore, reconstructions of the masked board states show that the model is able to reason about the piece movements without relying on costly reinforcement learning methods. Lastly, we find that the resulting representation space allows for quick and intuitive dissections of chess games by observing the game path trajectories in this semantically rich space.
• Abstract（参考訳）: 本稿では,Masked Autoencoders (MAE), Joint Embedding Predictive Architectures (JEPA), Bidirectional Encoder Representations from Transformers (BERT) を合成する,自己教師型表現学習アーキテクチャであるRePAIRを用いた自動符号化による表現予測を提案する。 連続するチェス位置のような連続的なデータにオブジェクトをエンコードして、コンパクトで意味のある表現にする方法を実証する。 このアーキテクチャの基本原理は、BERTやMAEと同様、潜伏状態列の大部分を隠蔽することである。 次に、JEPAに似た低次元埋め込み空間におけるシーケンス内のギャップを修復する潜在表現に軽量な予測器を適用する。 チェスの領域における我々の実験は、エンコーダがボード表現を洗練し、有意義なチェスの概念が潜在空間に集結していることを示している。 さらに, マスク板状態の復元により, コストのかかる強化学習手法に頼ることなく, 部品の動きをモデル化できることが示唆された。 最後に,この意味的に豊かな空間におけるゲームパス軌跡を観察することにより,結果の表現空間がチェスゲームの迅速かつ直感的な解離を可能にすることを発見した。

関連論文リスト

• Unified Driving Tokens: Representation- and Geometry-Guided Discrete Tokenizer for Driving World Models and Planning [13.385292682258147]
  共同管理下で離散トークンを学習する表現誘導型および幾何学強化型トークン化器を提案する。 NAVSIMの実験では、再構成の忠実度と表現整合性、固定デコーダによる競合計画性能、一致した設定での生成品質が向上した。
  論文  参考訳（メタデータ） (2026-06-01T09:02:32Z)
• Chessformer: A Unified Architecture for Chess Modeling [8.811775497383227]
  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。
  論文  参考訳（メタデータ） (2026-05-18T20:27:01Z)
• VQRAE: Representation Quantization Autoencoders for Multimodal Understanding, Generation and Reconstruction [83.50898344094153]
  VQRAEは、イメージ理解のための連続的セマンティック機能と、統一トークン化器内での視覚生成のためのトークンを生成する。 デザインは、多モーダル理解、離散トークンの能力を維持するために、無視可能な意味情報を可能にする。 VQRAEは、視覚的理解、生成、再構築のベンチマークで競合性能を示す。
  論文  参考訳（メタデータ） (2025-11-28T17:26:34Z)
• MapBERT: Bitwise Masked Modeling for Real-Time Semantic Mapping Generation [15.116320098263149]
  MapBERTは、目に見えない空間の分布をモデル化するために設計された新しいフレームワークである。 本研究では,MapBERTが最先端のセマンティックマップ生成を実現することを示す。 Gibsonベンチマークの実験では、MapBERTが最先端のセマンティックマップ生成を実現している。
  論文  参考訳（メタデータ） (2025-06-09T01:55:55Z)
• Gaussian Masked Autoencoders [74.2341070024126]
  本稿では,Masked Autoencoders (MAE) をガウススプラッティングで探索する。 GMAE(Gaussian Masked Autoencoder)と呼ばれる我々のアプローチは,意味論的抽象化と空間的理解を共同で学習することを目的としている。
  論文  参考訳（メタデータ） (2025-01-06T18:59:57Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Understanding Masked Autoencoders From a Local Contrastive Perspective [80.57196495601826]
  Masked AutoEncoder (MAE)は、シンプルだが効果的なマスキングと再構築戦略によって、自己指導型学習の分野に革命をもたらした。 そこで我々は,MaEの再構成的側面とコントラスト的側面の両方を解析するために,ローカルコントラストMAEと呼ばれる新しい経験的枠組みを導入する。
  論文  参考訳（メタデータ） (2023-10-03T12:08:15Z)
• Context Autoencoder for Self-Supervised Representation Learning [64.63908944426224]
  符号化された表現空間で予測を行うことにより、符号化器を事前訓練する。 ネットワークはエンコーダ/レグレッサ/デコーダアーキテクチャである。 下流タスクにおける転送性能の向上によるCAEの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-07T09:33:45Z)
• Hierarchical Variational Autoencoder for Visual Counterfactuals [79.86967775454316]
  条件変量オート(VAE)は、説明可能な人工知能(XAI)ツールとして注目されている。 本稿では, 後部の効果がいかに緩和され, 対物的効果が成功するかを示す。 本稿では,アプリケーション内の分類器を視覚的に監査できる階層型VAEについて紹介する。
  論文  参考訳（メタデータ） (2021-02-01T14:07:11Z)

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。