利用棋盘游戏扩展扩展律

机器学习中最大的实验如今所需的资源远超除少数机构外所有机构的预算。幸运的是，近期研究表明，这些巨型实验的结果通常可由一系列远小且廉价的实验结果外推得到。本工作中，我们展示外推不仅可基于模型大小进行，也可基于问题大小进行。通过使用AlphaZero和Hex开展一系列实验，我们展示了在固定计算量下可实现性能随游戏变大变难而可预测地退化。除主要结果外，我们进一步表明，智能体可用的测试时与训练时计算量可相互权衡而保持性能。