特徴の生成を組み合わせた機械学習

• Item type: Symposium(1)
• 公開日: 2011-11-04
• タイトル: 特徴の生成を組み合わせた機械学習
• タイトル / 言語: en
• タイトル: A Machine Learning Method Combined with a Feature Generation
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 筑波大学大学院システム情報工学研究科／パナソニック株式会社先端技術研究所
• 著者所属: 筑波大学大学院システム情報工学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Systems and Information Engineering, University of Tsukuba/Advanced Technology Research Laboratories, Panasonic Corporation
• 著者所属(英): en
• 著者所属(英): Graduate School of Systems and Information Engineering, University of Tsukuba
• 著者名: 佐藤, 佳州; 高橋, 大介
• 著者名(英): Yoshikuni, Sato; Daisuke, Takahashi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，ゲームプログラミングの分野において機械学習は急速に発展しており，評価関数の重みの決定，探索深さの調整，モンテカルロシミュレーションにおける指し手の予測など，幅広い課題に対して有効であることが示されている．現在のゲームプログラミングにおける機械学習は，あらかじめ評価項目（特徴）を用意し，プロの棋譜などを基にその重みを学習するというものが主流である．このような手法は，人間では調整できないような膨大な数の特徴に対しても，自動的に適切な重みを算出できるという利点がある．一方で，学習に用いる特徴自体は人間が手動で設計する必要があり，性能を決定する大きな要因となっている．現在，特徴の設計に関しては，人手による試行錯誤的な調整が行われているが，機械学習に有効な特徴を手動で生成することは一般的に非常に困難な問題である．本論文では，この問題を解決するため，特徴の自動生成と機械学習の重み付けを組み合わせることにより，有効な特徴を生成する手法を提案する．具体的には，機械学習の反復計算の過程に特徴の生成を組み込むことで，性能の向上を目指す．実験の結果，提案手法が現在ゲームプログラミングの分野で用いられている各学習手法において有効であることを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Recently, machine learning has progressed rapidly in the field of game programming. It has been shown to be effective against a wide range of issues, for example, determining the weights of the evaluation function, adjustment of search depth and a move selection in Monte-Carlo simulation. Current machine learning methods in game programming use pre-assessment features and learn its weight based on the training set such as records of professional players. Such methods have the significant advantage to be able to calculate appropriate weight for a large number of features that human cannot adjust. On the other hand, it is necessary for human to design the feature manually, and it becomes the major factor determines the performance of programs. Currently, features are manually adjusted by trial-and-error, however, it is very difficult to generate the effective features for machine learning. In this paper, we propose a method of generating the effective features by combining automatic feature generation and machine learning to solve this problem. In our method, we improve performance by including feature generation in the process of the repeated calculation of machine learning. The experimental results show the effectiveness of our approach for each learning method that recently used in game programming.
• 書誌情報: ゲームプログラミングワークショップ2011論文集; 巻 2011, 号 6, p. 135-142, 発行日 2011-10-28
• 出版者 / 言語: ja
• 出版者: 情報処理学会