Клонирование поведения между вариантами игр: доменная адаптация и персонализация модели в шахматах Фишера
Main Article Content
Аннотация
Клонирование поведения позволяет создавать модели, способные принимать решения так же, как это делает человек. Хотя различные модели успешно предсказывают действия человека в играх, их способность имитировать отдельных игроков снижается при изменении вариантов игры.
В работе исследованы стратегия доменной адаптации и персонализации на примере шахмат Фишера со случайной расстановкой фигур. На базе шахматной модели Maia, протестировано несколько стратегий дообучения. Установлены три ключевых закономерности: старые записи игрока не оказывают влияния; каждая новая запись крайне эффективна; доменная адаптация и персонализация дополняют друг друга – их сочетание дает лучший результат.
Ключевые слова:
Article Details
Библиографические ссылки
2. McIlroy-Young R. et al. Aligning Superhuman AI with Human Behavior: Chess as a Model System // Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Virtual Event CA USA: ACM. 2020. P. 1677–1687.
3. McIlroy-Young R. et al. Learning Models of Individual Behavior in Chess // Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Washington DC USA: ACM. 2022. P. 1253–1263.
4. Taylor M.E., Stone P. Transfer Learning for Reinforcement Learning Domains: A Survey // Journal of Machine Learning Research. 2009. No. 10. P. 1633–1685.
5. Arslanov T.R. Generative Methods for Creating Adaptive Playable Characters in Service Games // Russian Digital Libraries Journal. 2025. Vol. 28, No. 3. P. 468–483.
6. Kugurakova V.V. A formal approach to spatio-temporal modeling of game systems // Uchenye Zapiski Kazanskogo Universiteta. Seriya Fiziko-Matematicheskie Nauki. 2024. Vol. 166, No. 4. P. 532–554.
7. Tang Z. et al. Maia-2: A Unified Model for Human-AI Alignment in Chess // Advances in Neural Information Processing Systems. 2024. Vol. 37. P. 20919-20944.
8. Ho J., Ermon S. Generative Adversarial Imitation Learning // Advances in Neural Information Processing System. 2016. Vol. 29.
9. Yannakakis G.N., Togelius J. Player Modeling // Artificial Intelligence and Games. 2025. P. 315–335.
10. Yannakakis G.N., Togelius J. Experience-Driven Procedural Content Generation // IEEE Transactions on Affective Computing. 2011. Vol. 2, No. 3. P. 147–161.
11. Togelius J. et al. Search-Based Procedural Content Generation: A Taxonomy and Survey // IEEE Transactions on Computational Intelligence and AI in Games. 2011. Vol. 3, No. 3. P. 172–186.
12. Vinyals O. et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning // Nature. 2019. Vol. 575, No. 7782. P. 350–354.
13. Pearce T., Zhu J. Counter-Strike Deathmatch with Large-Scale Behavioural Cloning // 2022 IEEE Conference on Games (CoG). 2022. P. 104–111.
14. Spick R. et al. Behavioural Cloning in VizDoom // arXiv. 2024. No. 2401.03993. P. 1–13.
15. Xia R. Y., Gow J., Lucas S. Play Style Identification Using Low-Level Representations of Play Traces in MicroRTS // 2025 IEEE Conference on Games (CoG). 2025. P. 1–4.
16. Gururangan S. et al. Proceedings of the 58th annual meeting of the association for computational linguistics. 2020. P. 8342–8360.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.