В 2015 году Кристофер Кларк и Амос Сторки представили на ICML исследование обучения глубоких свёрточных сетей игре го. Основной задачей было предсказание ходов опытных игроков по примерам их партий, а не построение вручную большого набора экспертных правил.
Авторы использовали свойства симметрии доски при организации весов сети и проверяли вклад отдельных решений сравнением вариантов модели. На двух наборах данных точность предсказания составила 41,1 и 44,4 процента. Эти числа обозначают совпадение с человеческим ходом, а не процент выигранных партий.
Отдельные игровые эксперименты показали, что сети могли устойчиво обыгрывать GNU Go и иногда побеждать Fuego. Исследование тем самым продемонстрировало практическую силу обученного распознавания в задаче, где прежде большое значение имел перебор продолжений.
Прочитана аннотация на официальной странице сборника PMLR; полный PDF статьи здесь не заявляется изученным. Результат относится к описанным данным и экспериментам и не означает достижения уровня лучших профессионалов. Его самостоятельное значение — проверка обучения выбору хода как действенного компонента компьютерного го, отдельно от последующей системы AlphaGo, соединившей несколько методов.
Основание материала
Источники и проверка
- Исследование
PMLR: Training Deep Convolutional Neural Networks to Play Go
Прочитан указанный в исследовательской записи фрагмент; весь документ не заявляется прочитанным.
Проверен:
Раскрытие связи
Материал входит в общий проект сайтов о го.
История продолжается.
Другие события в хронике →