論文の概要: Dynamic Resource Allocation for Ensemble Determinization MCTS

• arxiv url: http://arxiv.org/abs/2607.13007v1
• Date: Tue, 14 Jul 2026 17:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.242743
• Title: Dynamic Resource Allocation for Ensemble Determinization MCTS
• Title（参考訳）: アンサンブル決定MCTSのための動的資源配分
• Authors: Jakub Kowalski, Adam Ciężkowski, Artur Krzyżyński, Mark H. M. Winands,
• Abstract要約: モンテカルロ・ツリー・サーチ (MCTS) のいくつかの変種は、敵のボードゲームで一般的に使用されている。 本稿では,動的リソース割り当てのための2つの軸を導入し,アンサンブル決定化MCTSの一連の拡張を提案する。 ベンチマークドメインとして、Jaipur、Lost Cities、Splendorの3つの人気のあるテーブルトップゲームを使用しました。
• 参考スコア（独自算出の注目度）: 1.2373172839910807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based algorithms are especially suited for high-uncertainty environments such as adversarial board games with significant elements of randomness and hidden information. In particular, several Monte Carlo Tree Search (MCTS) variants are commonly used in such domains. In this paper, we propose a series of enhancements for Ensemble Determinization MCTS, introducing two axes for dynamic resource allocation. First, Dynamic Number of Determinizations, increases or decreases the number of currently used determinization trees depending on the behavior of so-far search. Second, Dynamic Simulation Allocation, splits the simulation budget nonuniformly across the determinization trees, using simulation-to-simulation decisions to choose the tree with potentially the best knowledge gain. As benchmark domains, we used three popular tabletop games: Jaipur, Lost Cities, and Splendor. Testing our proposed enhancements in iteration- and time-based settings showed that particular configurations yield a statistically significant increase in the algorithm's strength.
• Abstract（参考訳）: シミュレーションベースのアルゴリズムは、ランダム性や隠れ情報の重要な要素を持つ敵ボードゲームのような、不確実性の高い環境に特に適している。 特に、モンテカルロ木探索(MCTS)の変種は、そのような領域でよく使われている。 本稿では,動的リソース割り当てのための2つの軸を導入し,アンサンブル決定型MCTSの一連の拡張を提案する。 第一に、決定の動的数は、いわゆる遠距離探索の振る舞いに応じて、現在使われている決定木の数を増やしたり減らしたりする。 第2に、動的シミュレーション割当(Dynamic Simulation Allocation)は、シミュレーション予算を非一様に決定木に分割し、シミュレーションからシミュレーション決定を使用して、潜在的に最良の知識を持つ木を選択する。 ベンチマークドメインとして、Jaipur、Lost Cities、Splendorの3つの人気のあるテーブルトップゲームを使用しました。 提案した拡張を反復時間と時間に基づく設定で検証したところ、特定の構成がアルゴリズムの強度を統計的に有意に増加させることが示された。

関連論文リスト

• Regular Tree Search for Simulation Optimization [5.54189661879098]
  本稿では,適応サンプリングと探索空間分割を統合した正規木探索というランダムアルゴリズムのクラスを提案する。 我々は、目的関数の連続性を必要とせず、最適性ギャップを含む仮定に基づいて、準ガウス雑音の下でのグローバル収束を証明した。
  論文  参考訳（メタデータ） (2025-06-21T12:07:01Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Sample-and-Bound for Non-Convex Optimization [18.30858789210194]
  我々はモンテカルロのベンチマークに適応して効率を向上する非次元目的最適化のための新しいサンプリング手法を提案する。 提案する高次ベースラインおよび競合ベンチマークアルゴリズムを積極的に評価する。
  論文  参考訳（メタデータ） (2024-01-09T20:45:47Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Efficient Pure Exploration for Combinatorial Bandits with Semi-Bandit Feedback [51.21673420940346]
  コンビナーシャルバンディットはマルチアームバンディットを一般化し、エージェントが腕のセットを選択し、選択したセットに含まれる各腕の騒々しい報酬を観察します。 我々は, 最善の腕を一定の信頼度で識別する純粋爆発問題と, 応答集合の構造が動作集合の1つと異なるような, より一般的な設定に注目する。 有限多面体に対するプロジェクションフリーオンライン学習アルゴリズムに基づいて、凸的に最適であり、競争力のある経験的性能を持つ最初の計算効率の良いアルゴリズムである。
  論文  参考訳（メタデータ） (2021-01-21T10:35:09Z)
• Monte Carlo Tree Search for a single target search game on a 2-D lattice [0.0]
  このプロジェクトは、AIプレイヤーが2次元格子内で静止目標を探索するゲームを想像する。 動物捕食行動のモデルであるレヴィ飛行探索(Levi Flight Search)と比較した。
  論文  参考訳（メタデータ） (2020-11-29T01:07:45Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。