SVMによるバイパータイトランキング学習を用いたコンピュータ将棋における評価関数の学習 Learning Evaluation Functions for Shogi Using SVM-based Bipartite Ranking Learning

この論文をさがす

著者

    • 末廣 大貴 SUEHIRO Daiki
    • 九州大学大学院システム情報科学府 Graduete School/Faculty of Information Science and Electrical Engineering, Kyushu University
    • 畑埜 晃平 HATANO Kohei
    • 九州大学大学院システム情報科学府 Graduete School/Faculty of Information Science and Electrical Engineering, Kyushu University
    • 坂内 英夫 [他] BANNAI Hideo
    • 九州大学大学院システム情報科学府 Graduete School/Faculty of Information Science and Electrical Engineering, Kyushu University
    • 瀧本 英二 TAKIMOTO Eiji
    • 九州大学大学院システム情報科学府 Graduete School/Faculty of Information Science and Electrical Engineering, Kyushu University
    • 竹田 正幸 TAKEDA Masayuki
    • 九州大学大学院システム情報科学府 Graduete School/Faculty of Information Science and Electrical Engineering, Kyushu University

抄録

近年,将棋の評価関数の設計においては,機械学習を応用してパラメータの自動調整を行う手法が主流となっている.ただし,評価項目(特徴)は作成者の棋力,感覚に基づいて用意されることが多く,これまで,複数の駒同士の関係など,複雑な特徴が数多く考案されてきた.本研究では,明示的に用意する特徴としては局面を表す基本的で単純なもののみとし,多項式カーネルとサポートベクターマシン(SVM)を用いて評価関数の学習を行う手法を提案する.多項式カーネルを用いることにより,単項式で表現できる特徴間のn項関係を,すべて高次の特徴として利用することができる・また,評価関数の学習問題を,合法手後の局面を順位づけるバイパータイトランキングの問題と捉え,SVMを用いて学習を行う手法(ランキングSVM法)を提案する.対局や棋譜との一致率を調べる実験結果,および駒組みの観察等から,ランキングSVM法の有効性を示す.

Recently, automatic optimization of parameters by applying machine learning methods has become a mainstream approach for developing good evaluation functions in shogi. However, the features used in the evaluation functions are prepared by the developer, depending heavily on his/her knowledge and intuition. To date, many complex features, such as relationships between multiple pieces, have been designed. In this paper, we propose an approach using polynomial kernels and Support Vector Machines (SVM), where only very simple features will be prepared explicitly. Polynomial kernels allow us to consider high dimensional, n-ary relations of monomial features. We further regard the problem of evaluation function learning as a bipartite ranking problem of the positions after legal moves, and propose a method which uses SVMs (ranking SVM). We show the effectiveness of our algorithm through computational experiments.

収録刊行物

  • 電子情報通信学会技術研究報告. IBISML, 情報論的学習理論と機械学習 = IEICE technical report. IBISML, Information-based induction sciences and machine learning

    電子情報通信学会技術研究報告. IBISML, 情報論的学習理論と機械学習 = IEICE technical report. IBISML, Information-based induction sciences and machine learning 110(265), 113-118, 2010-10-28

    一般社団法人電子情報通信学会

参考文献:  12件中 1-12件 を表示

各種コード

  • NII論文ID(NAID)
    110008153969
  • NII書誌ID(NCID)
    AA12482480
  • 本文言語コード
    JPN
  • 資料種別
    REV
  • ISSN
    09135685
  • NDL 記事登録ID
    10914874
  • NDL 雑誌分類
    ZN33(科学技術--電気工学・電気機械工業--電子工学・電気通信)
  • NDL 請求記号
    Z16-940
  • データ提供元
    CJP書誌  NDL  NII-ELS 
ページトップへ