arXiv cs.AI· Abhijeet Krishnan, Colin M. Potts, Arnav Jhala, Harshad Khadilkar, Shirish Karande, Chris Martens·· 10 天前AI 评分23
让 RL 智能体学会可解释的复杂游戏策略表示
Learning Explainable Representations of Complex Game-playing Strategies
AI 导读
研究者提出一种类似人类认知的方法，训练 RL 智能体将学到的策略与策略网络合成为基于游戏动作序列的可执行程序，从而自动学习可解释的策略表示。该方法已用于下棋和网格环境任务，学到的策略能产生有效动作，并可从游戏数据中学习。
正文 · AI 翻译
摘要：在学习玩复杂游戏的过程中，人类玩家会发展与游戏规则一致的游戏玩法和策略概念抽象，以提高自己的表现。这些概念被用于解释其他玩家的行为，并指导自己在游戏中的行动。理解其他玩家的策略是这种提升的关键部分，但需要时间和精力。在本文中，我们提出了一种类似于人类认知的策略，用于训练强化学习智能体，将学到的策略和策略综合为基于游戏动作序列的可执行程序。我们提出了自动学习此类程序以玩国际象棋并解决基于网格环境中的任务的方法。我们表明，学到的策略能产生有效的行动，并且可以从游戏数据中学习。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.07638 [cs.AI] |
| （或 arXiv:2610.07638v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07638 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | 第十一届认知系统进展年度会议论文集 2024 |
提交历史
来自：Abhijeet Krishnan [查看电子邮件]
[v1]
2026年10月6日星期二 02:28:48 UTC（349 KB）
来源：arXiv cs.AI · arxiv.org