Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

JSON-Bag: una representación genérica de la trayectoria del juego

Created by
  • Haebom

Autor

Dien Nguyen, Diego Pérez-Liébana, Simón Lucas

Describir

Presentamos un enfoque novedoso para representar registros de juegos de mesa en formato JSON tokenizado mediante el modelo JSON Bag-of-Tokens (JSON-Bag) y la distancia de Jensen-Shannon (JSD) como medida de distancia. Evaluamos la eficacia de JSON-Bag en tres tareas: la clasificación de jugadores, parámetros y valores de partida a partir de registros de seis juegos de mesa (7 Wonders, Dominion, Sea Salt and Paper, Can't Stop, Connect4 y Dots and Boxes) mediante la búsqueda del vecino más cercano basada en prototipos (P-NNS). En la mayoría de las tareas, JSON-Bag supera a los modelos de referencia que utilizan características personalizadas, y las evaluaciones de clasificación N-shot demuestran la eficiencia muestral de los prototipos JSON-Bag que representan clases de registros de juego. Además, demostramos el poder de la extracción automatizada de características al tratar los tokens como características individuales y aplicarlos a un Bosque Aleatorio, lo que mejora significativamente la precisión en tareas donde el rendimiento de JSON-Bag era bajo. Finalmente, demostramos que el JSD entre los prototipos JSON-Bag de las clases de jugadores está altamente correlacionado con la distancia entre las políticas de jugadores en los seis juegos.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos la eficiencia y validez de un método de representación y clasificación de registros de juegos utilizando el modelo JSON-Bag y JSD.
◦
Mayor comodidad y eficiencia en el análisis de registros de juegos al permitir la extracción automática de características sin extracción manual de características.
◦
Contribuye a resolver el problema de la escasez de datos a través de una alta eficiencia de muestra en el aprendizaje N-shot.
◦
La alta correlación entre la distancia entre las políticas de los jugadores y la distancia entre los prototipos JSON-Bag aumenta la interpretabilidad del modelo.
•
Limitations:
◦
Se necesita una mayor validación de la generalización mediante experimentos en un conjunto limitado de juegos de mesa.
◦
Falta de una explicación detallada del proceso de tokenización y cálculo JSD del modelo JSON-Bag.
◦
Falta de evaluaciones generales del desempeño para diversos problemas de clasificación de registros de juegos.
◦
Ausencia de análisis de comparación de rendimiento utilizando modelos de aprendizaje automático distintos de Random Forest.
👍
Made with Slashpage