利用深度神经网络学习博弈黑白棋
人工智能
2018-02-13 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
AlphaGo 达到超人类棋力印证了卷积神经架构(CNNs)在捕捉复杂空间模式方面的能力。这一结果在很大程度上得益于围棋棋盘状态与 CNNs 所设计的 2D 图像之间的若干相似性,尤其是平移不变性和相对较大的棋盘。在本文中,我们验证基于 CNN 的走子预测器对于黑白棋是否有效——该游戏具有显著不同的特征,包括小得多的棋盘尺寸以及完全缺乏平移不变性。我们比较了多种 CNN 架构与棋盘编码,用最先进的扩展对其进行增强,在庞大的专家走子数据库上训练,并针对走子预测准确率和棋力进行检验。实证评估确认了神经走子预测器的强大能力,并表明预测准确率与棋力之间存在强相关性。最佳的 CNNs 不仅超越了迄今提出的所有其他 1-ply 黑白棋玩家,而且击败了(2-ply)Edax——最佳的开源黑白棋程序。
引用
@article{arxiv.1711.06583,
title = {Learning to Play Othello with Deep Neural Networks},
author = {Paweł Liskowski and Wojciech Jaśkowski and Krzysztof Krawiec},
journal= {arXiv preprint arXiv:1711.06583},
year = {2018}
}