借助 MCTS 增强方法解释蒙特卡洛树搜索
人工智能
2025-06-17 v1
摘要
通常，可解释人工智能（XAI）的研究聚焦于已知特定领域内通用策略下的黑箱模型。本文倡导将知识无关的可解释性应用于 XAI 的子领域——可解释搜索（Explainable Search），该领域专注于解释智能搜索技术所做出的选择。本文提出蒙特卡洛树搜索（MCTS）的增强方法作为解决方案，在保持知识无关的前提下获取额外数据并提供更高质量的解释，并分析了最流行的增强方法所引入的特定可解释性类型。截至目前，尚无其他研究考虑 MCTS 增强方法的可解释性。本文展示了一个概念验证，证明了利用增强方法的优势。
引用
@article{arxiv.2506.13223,
title = {Towards Explaining Monte-Carlo Tree Search by Using Its Enhancements},
author = {Jakub Kowalski and Mark H. M. Winands and Maksymilian Wiśniewski and Stanisław Reda and Anna Wilbik},
journal= {arXiv preprint arXiv:2506.13223},
year = {2025}
}