用于博弈的有限群等变神经网络
机器学习
2020-09-11 v1 机器学习
摘要
围棋、国际象棋和西洋跳棋等博弈具有多个等价的博弈状态，即多个棋盘位置中应进行对称和相反的走子。当前最先进的神经博弈智能体未能利用这些等价性，而是必须重新学习相似的信息，从而浪费计算时间。现有工作中的群等变 CNN 构建了可利用对称性改进学习的网络，然而它们缺乏正确反映博弈所需走子嵌入的表达能力。我们引入了有限群神经网络（FGNNs），一种使智能体天生理解这些棋盘位置的方法。FGNNs 被证明可提升下西洋跳棋（draughts）的网络性能，并且可轻易适配其他博弈和学习问题。此外，FGNNs 可由现有网络架构创建，其中包括——首次实现的——带跳跃连接和任意层类型的架构。我们展示了等变版本的 U-Net（FGNN-U-Net）在图像分割中优于未修改的网络。
引用
@article{arxiv.2009.05027,
title = {Finite Group Equivariant Neural Networks for Games},
author = {Oisín Carroll and Joeran Beel},
journal= {arXiv preprint arXiv:2009.05027},
year = {2020}
}