Intelligent Agents for the Game of Go

Jean-Baptiste Hoock 1, 2 Chang-Shing Lee 3 Arpad Rimmel 2 Fabien Teytaud 1, 2 Olivier Teytaud 1, 2 Mei-Hui Wang 4
2 TAO - Machine Learning and Optimisation
CNRS - Centre National de la Recherche Scientifique : UMR8623, Inria Saclay - Ile de France, UP11 - Université Paris-Sud - Paris 11, LRI - Laboratoire de Recherche en Informatique
Abstract : Monte-Carlo Tree Search (MCTS) is a very efficient recent technology for games and planning, par- ticularly in the high-dimensional case, when the number of time steps is moderate and when there is no natural evaluation function. Surprisingly, MCTS makes very little use of learning. In this paper, we present four techniques (ontologies, Bernstein races, Contextual Monte-Carlo and poolRave) for learning agents in Monte-Carlo Tree Search, and experiment them in difficult games and in particular, the game of Go.
Type de document :
Article dans une revue
IEEE Computational Intelligence Magazine, Institute of Electrical and Electronics Engineers, 2010
Liste complète des métadonnées

Littérature citée [31 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00544758
Contributeur : Jean-Baptiste Hoock <>
Soumis le : mercredi 12 février 2014 - 15:59:40
Dernière modification le : mardi 10 avril 2018 - 15:26:01
Document(s) archivé(s) le : vendredi 15 juillet 2011 - 02:47:59

Fichier

cimok.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00544758, version 2

Collections

Citation

Jean-Baptiste Hoock, Chang-Shing Lee, Arpad Rimmel, Fabien Teytaud, Olivier Teytaud, et al.. Intelligent Agents for the Game of Go. IEEE Computational Intelligence Magazine, Institute of Electrical and Electronics Engineers, 2010. 〈inria-00544758v2〉

Partager

Métriques

Consultations de la notice

350

Téléchargements de fichiers

548