Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning to Master the Asymmetric Strategy of Baghchal

論文の概要: Deep Reinforcement Learning to Master the Asymmetric Strategy of Baghchal

arxiv url: http://arxiv.org/abs/2607.18296v1
Date: Thu, 02 Jul 2026 14:22:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:13.122391
Title: Deep Reinforcement Learning to Master the Asymmetric Strategy of Baghchal
Title（参考訳）: バグカルの非対称戦略をマスターする深層強化学習
Abstract要約: バグカル (Bagchal) はネパール起源のボードゲームである。深層強化学習(RL)文学では十分にカバーされていない。本稿では,非対称ゲームプレイの一側で学習した4つの深いRL解の体系的な探索を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Baghchal is a two-player asymmetric board game with Nepali origins where four tigers are to capture goats and twenty goats desire to keep tigers in immobility. Although Baghchal has a complex structure which is strategic, has perfect information structure, and has cultural meaning, it has not been adequately covered in deep reinforcement learning (RL) literature. This paper gives a systematic exploration of four deep RL solutions Deep Q-Network (DQN), REINFORCE, Proximal Policy Optimization (PPO) and MuZero that are trained on one side of the asymmetric gameplay of Baghchal and then evaluated on the other side. The algorithms are rated based on win rate, draw rate, average captures, training convergence and computational cost. It is experimentally found that MuZero generates the best performance in both tasks, achieving 86 percent win over these Tiger and 62 percent win over these Goat and the ability to do so is due to the model-based planning machine through the Monte Carlo Tree Search. PPO is the most realistic algorithm and is provided to be competitive over both asymmetric tasks with significantly reduced computational costs compared to MuZero. Emergent strategic behavior analysis shows that model-based strategies are optimal over long-horizon planning, whereas value-based counterparts like DQN are more biased up towards the Tiger role owing to the more substantial reward signal.
Abstract（参考訳）: バグカル (Bagchal) はネパール起源の2人プレイの非対称ボードゲームで、4匹のトラがヤギを捕獲し、20匹のヤギがトラを動かそうとする。バグチャルには戦略的な複雑な構造があり、完全な情報構造を持ち、文化的意味を持っているが、深い強化学習(RL)文学では十分にカバーされていない。本稿では,Bagchalの非対称ゲームプレイの一方で学習し,他方で評価する深層RLソリューションであるDeep Q-Network (DQN), ReINFORCE, Proximal Policy Optimization (PPO), MuZeroについて,体系的に検討する。アルゴリズムは、勝利率、引き出し率、平均キャプチャ、トレーニング収束、計算コストに基づいて評価される。 MuZeroが両方のタスクで最高のパフォーマンスを生み出しており、このTigerに86%、Goatに62%の勝利を達成している。 PPOは最も現実的なアルゴリズムであり、MuZeroと比較して計算コストが大幅に削減された非対称なタスクと競合する。創発的な戦略行動分析は、長期計画よりもモデルベースの戦略が最適であることを示しているが、一方DQNのような価値ベースの戦略は、より実質的な報酬信号のためにタイガーの役割に偏っている。

関連論文リスト

Hierarchical Control in Multi-Agent Games: LLM-based Planning and RL Execution [33.648826376348985]
強化学習(Reinforcement Learning, RL)は、シーケンシャルな意思決定において高いパフォーマンスを達成している。本稿では,事前訓練された大規模言語モデル (LLM) が中心的戦略制御系として機能する階層型アーキテクチャを提案する。我々は,このハイブリッドシステムを,行動木(BT)とemphFlat''のRLに対して,競争力のある2v2 King of the Hill環境において評価した。
論文参考訳（メタデータ） (2026-06-18T09:47:06Z)
Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short [51.667769734342635]
検証可能な報酬付き強化学習(RLVR)は,大規模言語モデルの推論能力向上のための主要なパラダイムとなっている。本研究では,非多変量報酬群を判定システムにルーティングする適応学習フレームワークであるReasoning Arenaを提案する。我々は、Reasoning Arenaが、競争数学やコーディングベンチマークにおいて、RLVRベースラインを平均で7.6%上回っていることを示す。
論文参考訳（メタデータ） (2026-06-08T11:57:17Z)
Theoretical Foundations and Effective Algorithms for Policy-Aware Simulator Learning [65.62918039166772]
本稿では,モデルプレイヤと逆ポリシープレイヤのゼロサムミニマックスゲームを提案する。提案手法は,戦略的に重要な領域における予測誤差を1.5$-$2.2times$に減らし,シミュレーションで純粋に訓練されたポリシーを最適に近い実世界の性能に適合させることができることを示す。
論文参考訳（メタデータ） (2026-05-27T19:31:37Z)
Reproducing AlphaZero on Tablut: Self-Play RL for an Asymmetric Board Game [0.6574517227976925]
非対称な歴史的ボードゲームであるTablutへのAlphaZero強化学習アルゴリズムの適用について検討する。 100回以上のセルフプレイが実施され、改良されたモデルは着実に改善され、ベイズエロの格付けは1235となった。実験の結果、AlphaZeroのセルフプレイフレームワークが高度に非対称なゲームに移行できることが確認された。
論文参考訳（メタデータ） (2026-04-07T06:16:19Z)
Cybersecurity AI: A Game-Theoretic AI for Guiding Attack and Defense [1.0933254855925085]
Generative Cut-the-Rope (G-CTR) はエージェントのコンテキストから攻撃グラフを抽出するゲーム理論誘導層である。 5つの実世界のエクササイズでは、G-CTRは専門家グラフ構造の70～90%と一致し、60～245倍高速で、手作業による分析より140倍以上安い。
論文参考訳（メタデータ） (2026-01-09T16:06:10Z)
AI Agents for the Dhumbal Card Game: A Comparative Study [0.0]
本研究では,文化的に重要なマルチプレイヤーカードゲームであるDhumbalに対する人工知能(AI)エージェントの評価を行った。我々はダンバルの力学を形式化し、アプローチ(攻撃的、保守的、均衡的、機会主義的)を含む多様なエージェントを実装する。パフォーマンスは、勝利率、経済的成果、Jhyapの成功、ラウンド毎に捨てられたカード、リスク評価、意思決定効率によって測定される。
論文参考訳（メタデータ） (2025-10-10T10:31:19Z)
Reinforcement Learning for Game-Theoretic Resource Allocation on Graphs [9.369330148791201]
GRAG (Game-theoretic Resource allocation on graphs) は、マルチステップのColoner Blotto Game (MCBG) としてモデル化された問題である。 MCBGをマルコフ決定過程(MDP)として定式化し、強化学習(RL)法、特にDeep Q-Network(DQN)とPPOを適用した。各種グラフ構造および初期資源分布におけるRL性能の評価を行い, ランダム, 欲求, 学習されたRLポリシーとの比較を行った。
論文参考訳（メタデータ） (2025-05-08T21:12:34Z)
Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。 LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
論文参考訳（メタデータ） (2024-06-30T08:00:34Z)
Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo [104.9535542833054]
我々は、強化学習のためのトンプソンサンプリングに基づくスケーラブルで効果的な探索戦略を提案する。代わりに、Langevin Monte Carlo を用いて、Q 関数をその後部分布から直接サンプリングする。提案手法は,Atari57スイートからのいくつかの挑戦的な探索課題において,最先端の深部RLアルゴリズムと比較して,より優れた,あるいは類似した結果が得られる。
論文参考訳（メタデータ） (2023-05-29T17:11:28Z)
Mastering the Game of No-Press Diplomacy via Human-Regularized Reinforcement Learning and Planning [95.78031053296513]
ノープレス外交(No-press Diplomacy)は、協力と競争の両方を含む複雑な戦略ゲームである。我々は、人間の模倣学習ポリシーに対する報酬最大化ポリシーを規則化する、DiL-piKLと呼ばれる計画アルゴリズムを導入する。 RL-DiL-piKLと呼ばれる自己再生強化学習アルゴリズムに拡張可能であることを示す。
論文参考訳（メタデータ） (2022-10-11T14:47:35Z)
Efficient exploration of zero-sum stochastic games [83.28949556413717]
ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
論文参考訳（メタデータ） (2020-02-24T20:30:38Z)

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。