#reinforcement-learning

• PPOモデルにPUCT探索自己対局を重ねたら弱体化した
  2026-10-30#splendor#reinforcement-learning#self-play
• PPOの目的関数を直したら、探索付きの勝率が8ポイント落ちた
  2026-10-29#splendor#reinforcement-learning#ppo
• 探索を使わないPPO自己対局でモデル強化に成功した
  2026-10-29#splendor#reinforcement-learning#ppo
• 自己対局ループを立ち上げ、最初のモデル更新を通した
  2026-08-16#splendor#machine-learning#reinforcement-learning