論文の概要: Belief-Guided Decision Making with Uncertainty Gating in the Game of Go

• arxiv url: http://arxiv.org/abs/2607.26946v1
• Date: Wed, 29 Jul 2026 14:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.698698
• Title: Belief-Guided Decision Making with Uncertainty Gating in the Game of Go
• Title（参考訳）: 囲碁における不確かさゲーティングによる信念誘導決定
• Abstract要約: AlphaZeroとMuZeroによって推進された最近のComputer Goの進歩は、ニューラルネットワークポリシーのエラーを修正するためにモンテカルロ木探索(MCTS)に大きく依存している。 本稿では,新旧のBreief-Guidedアーキテクチャについて紹介する。 実験結果から,本手法は検索不要の勝利率を大幅に改善し,幻覚を低減し,限られたハードウェア上でのプロレベルのプレイを可能にした。
• 参考スコア（独自算出の注目度）: 6.439020894090432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in Computer Go, driven by AlphaZero and MuZero, rely heavily on Monte Carlo Tree Search (MCTS) to correct the errors of the neural network policy. While effective on massive computational clusters, this dependence creates a critical bottleneck on consumer-grade hardware, where the computational cost of tree management severely limits inference rates. Furthermore, without deep search, these models suffer from hallucination, proposing moves with high confidence that are strategically fatal. This paper introduces a novel Belief-Guided architecture that disentangles the Policy head from a distinct Belief head. Unlike traditional value functions, the Belief head acts as an internal simulator and independent critic, modeling epistemic uncertainty and strategic stability. By integrating memory mechanisms (Transformer/GRU) to handle long-term dependencies and the Ko rule, and utilizing a gating mechanism to filter overconfident policy errors, our model shifts the burden of intelligence from runtime search to parametric "intuition." Experimental results demonstrate that this approach significantly improves search-free win rates and reduces hallucination, enabling professional-level play on limited hardware where massive MCTS is infeasible.
• Abstract（参考訳）: AlphaZeroとMuZeroによって推進された最近のComputer Goの進歩は、ニューラルネットワークポリシーのエラーを修正するためにモンテカルロ木探索(MCTS)に大きく依存している。 大規模な計算クラスタでは有効であるが、この依存は、木管理の計算コストが推論レートを著しく制限する、コンシューマグレードのハードウェアにおいて重要なボトルネックを生じさせる。 さらに、深い探索がなければ、これらのモデルは幻覚に悩まされ、戦略的に致命的な高い信頼を持った動きを提案する。 本稿では,新旧のBreief-Guidedアーキテクチャについて紹介する。 従来の値関数とは異なり、ベルイフヘッドは内部シミュレーターおよび独立批評家として機能し、認識の不確実性と戦略的安定性をモデル化する。 長期の依存関係とKoルールを扱うためのメモリ機構(Transformer/GRU)の統合と、過度なポリシーエラーをフィルタリングするゲーティング機構の利用により、我々のモデルは、実行時探索からパラメトリックな「直感」へのインテリジェンスの負担をシフトさせる。 実験により,大規模なMCTSが実現不可能な限られたハードウェア上でのプロレベルのプレイを可能にすることにより,検索不要の勝利率を大幅に向上し,幻覚の低減が図られた。

関連論文リスト

• Invascal: Inverse-Vacuity Self-Calibration for Uncertainty-Aware LiDAR Range-View Semantic Segmentation [3.0338740183736106]
  アーキテクチャに依存しない新しいアダプタヘッドを提案する。 予測は、クラスランキングのための予測ヘッドと、不確実性評価を洗練させる強度ヘッドに分解される。 本稿では, 強度信号を直接監視し, 信頼性・校正された不確実性推定を行う逆空洞自己校正目標を提案する。
  論文  参考訳（メタデータ） (2026-05-20T16:39:29Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Adaptive Uncertainty-Aware Tree Search for Robust Reasoning [30.006968507593452]
  推論時間推論は、複雑な問題解決においてLarge Language Models (LLMs) の機能を向上させる。 プロセス・リワード・モデル (Process Reward Models, PRM) による外部探索が主流である。 我々は, PRMsが, 分布外サンプル(OOD)に対して高い不確実性を示し, 信頼できないスコアを示した経験的証拠を提供する。 そこで我々は,標準探索が線形後悔の蓄積を引き起こす一方で,不確実性認識戦略がサブ線形後悔を達成できることを示す理論的枠組みを確立する。
  論文  参考訳（メタデータ） (2026-02-06T08:40:05Z)
• UCPO: Uncertainty-Aware Policy Optimization [12.847800921274617]
  既存のLarge Language Models (LLM) はバイナリ決定空間と静的不確実性報酬によってアドバンテージバイアスに悩まされ、過剰な保守主義や過剰な自信を引き起こす。 本稿では、不確実性に基づく報酬を取り入れた現在のRLパラダイムにおける報酬ハッキングと過信の根本原因を明らかにし、UnCertainty-Aware Policy Optimizationフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T07:07:42Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Addressing Overthinking in Large Vision-Language Models via Gated Perception-Reasoning Optimization [56.59356959631999]
  Gated Perception-Reasoning Optimization (GPRO) は3つの決定経路間で動的に計算をルーティングするメタ推論コントローラである。 GPROは精度と効率を大幅に改善し、最近のスロー思考法よりも優れている。
  論文  参考訳（メタデータ） (2026-01-07T23:05:17Z)
• Distribution-Free Uncertainty-Aware Virtual Sensing via Conformalized Neural Operators [1.7864593554171284]
  Conformalized Monte Carlo Operator (CMCO)は、ニューラルネットワークに基づく仮想センシングを、キャリブレーションされた、分布のない予測間隔で変換する。 CMCOは、リトレーニング、アンサンブル、カスタムロス設計なしで、空間的に解決された不確実性推定を達成する。 このブレークスルーは、ニューラル演算子のための汎用的なプラグアンドプレイUQソリューションを提供し、デジタルツインにおけるリアルタイムで信頼性の高い推論をアンロックし、センサーフュージョン、安全クリティカルな監視を提供する。
  論文  参考訳（メタデータ） (2025-07-15T04:26:40Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• A Neuromorphic Architecture for Reinforcement Learning from Real-Valued Observations [0.34410212782758043]
  強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。 本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-06T12:33:34Z)

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。