#search
- 探索教師を作り替えても、PUCT-128から切り替える根拠は得られなかった
- 有望な手の取りこぼしは、探索漏れではなく初期の浅い評価に起因していた
- 終盤だけ探索を深くすると、まだ大きな取りこぼしが見つかった
- PUCT探索で即勝ち候補手を厳密に扱い、終盤の誤探索を+0.82pt改善した
- PUCTの探索設定を自己対局データ生成に反映したら、G4が+3.26pt勝ち越した
- Arena評価のPUCT探索を早期終了させ、1世代の所要時間を23%短縮した
- 4,608局の対局ログをリプレイして、終盤の敗北パターンを特定した
- 「カード補充を見てからトークンを返却する」情報価値をオフラインで測定した
- PUCTのハイパーパラメータを再調整し、128シミュレーションで+8.6pt改善した
- 自己対局ループの投入前に、EATにおけるPUCT探索の効果を検証した
- 128回探索の安定性を検証したら、同一局面でも22.5%で最善手が変わった
- Splendorのランダム補充に対して木探索を工夫したが、単純なPUCTの方が強かった
- 探索評価値をvalue教師に反映させたモデルを1,600局で検証した
- 128回探索の自己対局8,192局を生成し、value教師信号の課題を分析した
- PUCT探索による勝率の押し上げ効果を定量的に検証した