Go Transformer：面向围棋博弈的自然语言建模
计算与语言
2020-09-09 v3 机器学习
摘要
本工作应用自然语言建模在古老围棋游戏中生成合理的策略着法。我们训练生成式预训练Transformer(GPT-2)以模仿存档于Smart Game Format (SGF)中的围棋冠军风格，SGF提供了着法序列的文本描述。训练后的模型进一步生成有效但此前未见的围棋策略。由于GPT-2保留标点和空格，文本生成器的原始输出为游戏可视化和创造性模式提供输入，例如Sabaki项目的游戏引擎使用自动重放。结果表明，语言建模能够捕捉冠军围棋棋局的顺序格式及其战略形态。与随机棋盘相比，GPT-2微调显示出高效的opening着法序列，偏好角部着法而非劣势的中部和边部着法。将棋局生成作为语言建模任务，为其他40多种具有历史文本标注作为训练数据的棋盘游戏（如Amazons与Connect 4/6）提供了新方法。
引用
@article{arxiv.2007.03500,
title = {The Go Transformer: Natural Language Modeling for Game Play},
author = {Matthew Ciolino and David Noever and Josh Kalin},
journal= {arXiv preprint arXiv:2007.03500},
year = {2020}
}
备注
8 Pages, 5 Figures, 1 Table, IEEE Format, Ai4i 2020