論文の概要: CoupVisor: Strategy Optimization by Round and Challenge Decision Support

• arxiv url: http://arxiv.org/abs/2608.15868v1
• Date: Sun, 16 Aug 2026 17:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.455478
• Title: CoupVisor: Strategy Optimization by Round and Challenge Decision Support
• Title（参考訳）: CoupVisor: ラウンドおよびチャレンジ決定支援による戦略最適化
• Abstract要約: CoupVisorは、隠れ情報カードゲームCoupの意思決定支援システムである。 プレイヤーが各ターンに何をすべきか、いつプレイヤーが相手の主張に挑戦すべきかという2つの問題に対処する。 このシステムは、手動プレイ、記録されたゲームの再生、シミュレーション、信条追跡、勧告、学習ベースのポリシーで共有されるゲームイベントの単一の記述を中心に構築されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents CoupVisor, a decision-support system for the hidden-information card game Coup. It addresses two questions: what a player should do on each turn, and when a player should challenge an opponent's claim. The system is built around a single description of game events, which is shared across manual play, replay of recorded games, simulation, belief tracking, advisor recommendations, and learning-based policies. CoupVisor estimates the chance that a claim is truthful by combining how likely each role is with how many cards the claimant still holds, which corrects a case where the very first claim of a game was flagged as suspicious despite no evidence. We compare a rule-following advisor and several learned and heuristic players across many simulated games and different opponent styles. Our main finding is that the choice of reward, whether it rewards short-term gains or ultimately winning the game, decides which learning approach performs best, and that a win-oriented reward produces a policy that outperforms all baselines.
• Abstract（参考訳）: 本稿では,隠れ情報カードゲームCoupの意思決定支援システムであるCoupVisorについて述べる。 プレイヤーが各ターンに何をすべきか、いつプレイヤーが相手の主張に挑戦すべきかという2つの問題に対処する。 このシステムは、手動プレイ、記録されたゲームの再生、シミュレーション、信条追跡、勧告、学習ベースのポリシーで共有されるゲームイベントの単一の記述を中心に構築されている。 CoupVisorは、クレームが真実である確率を、クレームが保持するカードの数と組み合わせることで推定する。 ルールフォローするアドバイザと、多くのシミュレーションゲームと異なる対戦スタイルで学習し、ヒューリスティックなプレイヤーを比較した。 我々の主な発見は、報酬の選択は、短期的なゲインを報いるか、最終的にゲームに勝つかのどちらかで、どの学習アプローチが最善かを判断し、勝利志向の報酬がすべてのベースラインを上回るポリシーを生成することである。

関連論文リスト

• Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret [64.73231630190121]
  ゼロサムゲームを学ぶことは、ゲーム理論と機械学習の基本的な問題である。 ビジットフィードバックによるゼロサムゲームにおける対戦学習について検討し,最大戦略に対する障害を最小限に抑えることを目的とした。 我々は,Tsallis-INFアルゴリズムがゲーム依存パラメータ$c$で$O(c log T)$インスタンス依存後悔を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-06T03:26:01Z)
• Finite-Sample Guarantees for Learning Dynamics in Zero-Sum Polymatrix Games [22.380293155135096]
  ゼロサムポリマトリクスゲームにおける最適応答型学習ダイナミクスについて検討する。 2つの設定は、各プレイヤーがゲームについて持っている情報の種類によって区別される。
  論文  参考訳（メタデータ） (2024-07-29T15:56:49Z)
• Regret Minimization in Stackelberg Games with Side Information [44.72865997906019]
  両プレイヤーがプレイ前に外部コンテキストを観察するStackelbergゲームの設定を形式化する。 非コンテキストバージョンとは対照的に、リーダーが完全な対向的な設定でノンレグレットを達成することは不可能であることを示す。 この結果から,2つの自然緩和において,非回帰学習が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-13T16:24:57Z)
• All by Myself: Learning Individualized Competitive Behaviour with a Contrastive Reinforcement Learning optimization [57.615269148301515]
  競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。 本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。 我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-10-02T08:11:07Z)
• Optimisation of MCTS Player for The Lord of the Rings: The Card Game [0.0]
  本稿では,モンテカルロツリーサーチ(MCTS)手法を用いて,人気カードゲーム「指輪のロード」の人工プレイヤーを作成する研究について述べる。
  論文  参考訳（メタデータ） (2021-09-24T14:42:32Z)
• Conditions that enable a player to surely win in sequential quantum games [0.0]
  本稿では,プレーヤの動きが単なる平集合ではなく群から引き出されるという仮定の下で,シーケンシャルな量子ゲームについて検討する。 本論文の主な結論は,ゲーム固有のルールが絶対的に重要であることである。
  論文  参考訳（メタデータ） (2021-06-13T15:16:31Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• Collaborative Agent Gameplay in the Pandemic Board Game [3.223284371460913]
  Pandemicは、すべてのプレイヤーがゲームの進行中に発生する出来事によって引き起こされる課題を克服するために調整する模範的な共同ボードゲームです。 本稿では,すべてのプレイヤーの行動を制御し,この高度に進化した環境において勝つ確率と負けるリスクをバランスさせる人工エージェントを提案する。 提案アルゴリズムは,様々な難易度を持つ異なるゲームにおいて,より一貫した勝利戦略を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-03-21T13:18:20Z)
• TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and Competition for AI [62.997667081978825]
  TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。 ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:56Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• 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)
• Optimal strategies in the Fighting Fantasy gaming system: influencing stochastic dynamics by gambling with limited resource [0.0]
  Fighting Fantasyは、世界で人気のあるレクリエーションファンタジーゲームシステムである。 各ラウンドでは、限られた資源(Luck')がギャンブルに費やされ、勝利の利益を増幅したり、損失から赤字を軽減したりすることができる。 我々は,システムに対するベルマン方程式の解法と,ゲーム中の任意の状態に対する最適な戦略を特定するために,後方帰納法を用いる。
  論文  参考訳（メタデータ） (2020-02-24T11:31:25Z)

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。