value入力に手番情報が欠落していた問題と、レース特徴量の設計

教師データの対局数を増やしても実対局での強さが伸び悩んだことを受け、局面評価ヘッド（value head）に入力している盤面状態の表現形式を根本から見直した。その結果、同手番終了ルールの勝敗判定に不可欠である「先手・後手に関する情報」が、モデルの入力特徴量から完全に脱落していたことが判明した。

表現の縮退（representation aliasing）が発生していた

当時の実装では、各プレイヤーの特徴量行を「現在の手番プレイヤー / 対戦相手」という相対順序に並べ替えてネットワークに入力していた。そのため、手番プレイヤー自身がゲーム開始時の先手（starting player）であったのか後手であったのかを、局面評価ヘッドが直接識別できない構造になっていた。

Splendor では、勝利点15点に到達したプレイヤーが出たラウンドの終了時（後手番の完了時）に勝敗が決する。手元のカードや獲得点数が全く同一の盤面であっても、手番プレイヤーが先手か後手かによって、相手にもう一度手番が回るかどうかが決定的に分かれる。真の局面評価値が全く異なる2つの状態が、モデル入力上では同一の特徴量ベクトルに写し取られてしまうという「表現の縮退（representation aliasing）」が発生していたのである。

新規に追加した特徴量

初回の実験設計において、全体特徴量（global feature）の次元数を4次元から10次元へと拡充した。

先手フラグと手数情報は従来完全に欠落していた一次情報であり、残りの4項目は既存のプレイヤー特徴量から算出可能なレース進行状況の集約値（summary）である。

モデルアーキテクチャについては、全体エンコーダの入力次元を94次元から100次元へと拡張する最小限の変更にとどめ、Attentionブロックや方策ヘッド、局面評価ヘッドの内部構造には一切手を加えていない。

ペア実験による特徴量単体の因果検証

対照群と実験群において、参照する対局、サンプリングした行、方策ターゲット、最終勝敗ラベル、データ提示順序を完全に一致させた。テストデータや対戦評価を見る前に、検証データの結合損失のみを基準としてチェックポイントを一意に選定するプロトコルを敷いた。

評価の進行順序は、オフラインの局面評価ブライアスコア改善 → 方策KL情報量の非劣性検証 → 手数帯ごとの安全基準確認 → 32回探索PUCTによる実対局評価、という厳格なゲートを設定した。

本稿の段階では実装と事前登録（preregistration）の完了までを報告する。後続の本検証において game_ply は除外され、先手フラグとレース特徴量がオフライン指標および実対局勝率の双方を有意に向上させる決定打となった。

この記事は、実装・実験記録をもとに、本文の大部分をLLMが執筆し、筆者が内容を確認・編集しています。