PAWN：基于神经网络的棋子价值分析
机器学习
2026-04-20 v1 人工智能
摘要
预测给定位置上任意棋子的相对价值仍然是一个开放性挑战，因为棋子的贡献取决于它与棋盘上其他所有棋子的空间关系。我们证明，通过使用基于 CNN 的自编码器导出的潜在位置表示来整合整个棋盘的状态，可以显著提高基于 MLP 的棋子价值预测架构的准确性。我们使用了一个包含来自大师级对局的超过 1200 万个棋子价值对的数据集，其真实标签由 Stockfish 17 生成。我们增强的棋子价值预测器显著优于上下文无关的基于 MLP 的系统，将验证集平均绝对误差降低了 16%，并在约 0.65 个兵的误差范围内预测相对棋子价值。更一般地，我们的研究结果表明，将完整的问题状态编码为上下文，为预测任何单个组件的贡献提供了有用的归纳偏置。
引用
@article{arxiv.2604.15585,
title = {PAWN: Piece Value Analysis with Neural Networks},
author = {Ethan Tang and Hasan Davulcu and Jia Zou and Zhongju Zhang},
journal= {arXiv preprint arXiv:2604.15585},
year = {2026}
}
备注
19 pages, 5 figures, 12 tables