超越结果为中心的不完美记忆：针对不完美信息游戏的更高分辨率抽象
计算机科学与博弈论
2025-10-20 v1 人工智能
摘要
手牌抽象是扩大不完美信息游戏（如 Texas Hold'em）的关键技术，但进展受限于缺乏正式任务模型以及需要资源密集型策略求解的评估。我们引入信号观察有序游戏 (SOOGs)，这是一类针对 Hold'em 风格游戏的 IIGs 子类，清晰地将信号与玩家动作序列分离，为手牌抽象提供精确的数学基础。在此框架内，我们定义分辨率界限——在给定信号抽象下可实现的性能的信噪比上限。利用该界限，我们指出主流基于结果的不完美记忆算法通过任意丢弃历史信息而遭受显著损失；我们通过潜在感知结果同构 (PAOI) 对此行为进行形式化，并证明 PAOI 描述了它们的分辨率界限。为克服这一限制，我们提出完整记忆结果同构 (FROI)，该方法整合历史信息以提高界限并改善策略质量。在 Hold'em 风格基准测试上的实验表明，FROI 在基于结果的不完美记忆基线上 consistently 获胜。我们的结果为手牌抽象的统一正式处理以及在 IIGs 中设计更高分辨率抽象提供了实用指导。
引用
@article{arxiv.2510.15094,
title = {Beyond Outcome-Based Imperfect-Recall: Higher-Resolution Abstractions for Imperfect-Information Games},
author = {Yanchang Fu and Qiyue Yin and Shengda Liu and Pei Xu and Kaiqi Huang},
journal= {arXiv preprint arXiv:2510.15094},
year = {2025}
}