#self-play
- PPOモデルにPUCT探索自己対局を重ねたら弱体化した
- 自己対局を2倍に増やしても対局強度の改善は検出できなかった
- 探索ノイズを教師ラベルから除くと、新行動の獲得が停滞した
- blind-reserve対応後に48世代self-playしても強さはほぼ伸びなかった
- ガチ実戦対局させてみた
- U v8自己対局ループの飽和調査：第43世代でL-s0比74.9%、第47世代のリグレッションで停止
- 実はサチってなかったモデルと実戦対局してみた
- raw policy targetから8世代回したら、さらに+17pt伸びた
- U8モデルと実戦対局してみたら、意外と強いかもしれない話
- 探索ノイズを引いた教師より、そのままの訪問回数で学習した方が強かった
- 自己対局の開始局面を多様化したが、対局勝率の改善には結びつかなかった
- 探索評価値をvalue targetに反映させて学習したら、G11で+10.9pt勝ち越した
- value loss係数を0.25に引き下げた再学習で、対局勝率が+10.4pt改善した
- 自己対局ループを6世代継続実行し、G10がG4に+6.2pt勝ち越した
- 25本の自己対局実験を横断整理し、今後の開発ロードマップを再設計した
- 自己対局で出現しにくい終盤局面を、モデル推論なしで効率的にサンプリングする
- 探索付き自己対局ループを3世代回し、固定パネルで+10.9ptの向上を確認した