TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ Gumbel AlphaZero dlshogiにGumbel AlphaZeroの強化学習を導入したいと思って、Gumbel AlphaZeroの論文を読んでいるが、理論がなかなか難しいため公式実装を確認しながら理解する。 Gumbel AlphaZero AlphaZeroの強化学習は、自己対局でUCTで探索した際の訪問回数を目標の確率分布として方策の改善を行う。 しかし、シミュレーション回数が少ない場合、方策を改善できる保証がないという問題がある。 Gumbel AlphaZeroは、より少ないシミュレーション回数で、方策が理論的に改善されることを保証する。Gumbel AlphaZeroは、ルートノードでPUCBの代わ… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2024%2F11%2F14%2F213509" title="Gumbel AlphaZeroの論文を読む - TadaoYamaokaの開発日記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2024-11-14 21:35:09 rich https://tadaoyamaoka.hatenablog.com/entry/2024/11/14/213509 1.0 100%