論文の概要: Conditional Generation of Creative Chess Puzzles with Diffusion Models
- arxiv url: http://arxiv.org/abs/2609.38577v1
- Date: Tue, 29 Sep 2026 21:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.772071
- Title: Conditional Generation of Creative Chess Puzzles with Diffusion Models
- Title（参考訳）: 拡散モデルによる毛細管の条件生成
- Abstract要約: チェスパズル生成は、計算の創造性と推論のための厳格なテストベッドである。
マスク付き拡散モデルを用いて,創造的チェスパズルを条件付き生成する手法を提案する。
本稿では, 解の特異性を11.6%向上させる, 同時最適移動予測の新たな補助的タスクを提案する。
- 参考スコア（独自算出の注目度）: 13.747573725050593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While modern language models demonstrate impressive generative capabilities, they often struggle with constrained, counter-intuitive creative tasks. To address this limitation, we explore chess puzzle generation as a rigorous testbed for computational creativity and reasoning, a domain where altering a single piece can invalidate an entire solution. We propose a novel approach for conditional generation of creative chess puzzles using masked diffusion models. Unlike previous methods, our non-directional diffusion approach allows for conditioning on specific tactical themes and partial board positions. We introduce a novel auxiliary task of simultaneous best-move prediction, which improves solution uniqueness by 11.6% and theme-conditioning accuracy by 2.5%. To further optimize solution uniqueness and theme conditioning, we establish a reinforcement learning framework adapted from Denoising Diffusion Policy Optimization (DDPO). This RL training increases the yield of unique and theme-matching positions by 89.1%. Finally, we release the first open-weights models (Appendix B) for chess puzzle generation, offering a new pathway for controllable, creative generation.
- Abstract（参考訳）: 現代の言語モデルは印象的な生成能力を示しているが、しばしば制約のある、直感に反する創造的なタスクに苦しむ。
この制限に対処するため、我々はチェスパズルの生成を、計算の創造性と推論のための厳密なテストベッドとして探求する。
マスク付き拡散モデルを用いて,創造的チェスパズルを条件付き生成する手法を提案する。
従来の方法とは異なり、我々の非方向性拡散法は特定の戦術的テーマと部分的な基板位置を条件付けすることができる。
本稿では,解の一意性を11.6%向上し,テーマ条件の精度を2.5%向上させる,同時ベストモーブ予測の新たな補助タスクを提案する。
解の一意性とテーマ条件の最適化をさらに進めるため, DDPO(Denoising Diffusion Policy Optimization)を応用した強化学習フレームワークを構築した。
このRLトレーニングは、ユニークな位置とテーママッチング位置の収率を89.1%向上させる。
最後に、チェスパズル生成のための最初のオープンウェイトモデル(Appendix B)をリリースし、制御可能で創造的な生成のための新しい経路を提供する。
関連論文リスト
- Generating Creative Chess Puzzles [27.976252308497603]
チェスエンジンのサーチ統計に基づく新たな報奨付きRLフレームワークを導入し,その欠点を克服する。
報酬はパズルの独特性、反直感性、多様性、リアリズムを高めるように設計されている。
我々のパズルは、新規性と多様性のベンチマークを満たし、美学のテーマを保持し、人間の専門家によって、構成された本パズルよりも創造的で、楽しい、そして、直感に反するものとして評価されている。
論文 参考訳（メタデータ） (2025-10-27T21:43:39Z) - Consistent Opponent Modeling of Static Opponents in Imperfect-Information Games [0.0]
既存の対戦相手モデリング手法は、既知の先行分布から引き出された静的な相手に対しても、単純な望ましい性質を満足できないことを示す。
我々は,この特性を達成し,シーケンス形式ゲーム表現に基づく凸問題の解法により効率的に動作する新しいアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-08-25T05:08:49Z) - Generalized Interpolating Discrete Diffusion [65.74168524007484]
仮面拡散はその単純さと有効性のために一般的な選択である。
ノイズ発生過程の設計において、より柔軟性の高い離散拡散(GIDD)を補間する新しいファミリを一般化する。
GIDDの柔軟性をエクスプロイトし、マスクと均一ノイズを組み合わせたハイブリッドアプローチを探索し、サンプル品質を向上する。
論文 参考訳（メタデータ） (2025-03-06T14:30:55Z) - Large Language Models to Diffusion Finetuning [20.251827725749607]
我々は、下流タスク間の性能向上に直接変換することで、単調に精度を向上することを示す。
本手法は,クロスエントロピー損失で事前学習した基礎モデルに適用可能である。
論文 参考訳（メタデータ） (2025-01-27T04:59:29Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。
本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
論文 参考訳（メタデータ） (2022-04-10T11:38:33Z) - Voting based ensemble improves robustness of defensive models [82.70303474487105]
我々は、より堅牢性を高めるためのアンサンブルを作ることができるかどうか研究する。
最先端の先制防衛モデルを複数組み合わせることで,59.8%の堅牢な精度を達成できる。
論文 参考訳（メタデータ） (2020-11-28T00:08:45Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-06T22:58:20Z)
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。