目前传统卷积网络在爱恩斯坦棋中的运用已颇显成效,但存在着训练速度慢,在浅层次的卷积中无法关注到全局信息的缺点,通过改进深度学习算法和使用GNN取代卷积神经网络(CNN),发现可以显著提升模型性能。研究方法包括将爱恩斯坦棋的棋盘和...目前传统卷积网络在爱恩斯坦棋中的运用已颇显成效,但存在着训练速度慢,在浅层次的卷积中无法关注到全局信息的缺点,通过改进深度学习算法和使用GNN取代卷积神经网络(CNN),发现可以显著提升模型性能。研究方法包括将爱恩斯坦棋的棋盘和移动规则表示为图结构,构建GNN以在较浅层次中捕捉局部与全局特征。同时结合蒙特卡洛树搜索(monte carlo tree search,MCTS),通过神经网络的策略头和价值头,提供行动决策和局势评估。实验中,将改进后的GNN算法与传统CNN算法在多轮自对弈中进行对比,结果显示,GNN在局势预测、策略控制及训练效率方面均优于CNN,随着训练次数的增加,该方法在效率提升方面表现出更显著的优势。GNN的应用提升了爱恩斯坦棋博弈模型的效率与策略能力,为进一步探索GNN在完美信息博弈中的潜在价值提供了理论支持和实践基础。展开更多
文摘目前传统卷积网络在爱恩斯坦棋中的运用已颇显成效,但存在着训练速度慢,在浅层次的卷积中无法关注到全局信息的缺点,通过改进深度学习算法和使用GNN取代卷积神经网络(CNN),发现可以显著提升模型性能。研究方法包括将爱恩斯坦棋的棋盘和移动规则表示为图结构,构建GNN以在较浅层次中捕捉局部与全局特征。同时结合蒙特卡洛树搜索(monte carlo tree search,MCTS),通过神经网络的策略头和价值头,提供行动决策和局势评估。实验中,将改进后的GNN算法与传统CNN算法在多轮自对弈中进行对比,结果显示,GNN在局势预测、策略控制及训练效率方面均优于CNN,随着训练次数的增加,该方法在效率提升方面表现出更显著的优势。GNN的应用提升了爱恩斯坦棋博弈模型的效率与策略能力,为进一步探索GNN在完美信息博弈中的潜在价值提供了理论支持和实践基础。
