Human-aligned Chess with a Bit of Search
Carnegie Mellon University（卡内基梅隆大学）；MIT（麻省理工学院）；Visa Research（Visa研究院）
针对现有国际象棋AI无法人类对齐的问题，提出从人类对局训练的Allie，结合时间自适应MCTS实现精准技能校准，棋力匹配度大幅优于基线。
2024-10-04 cs.AI cs.LG
Towards Piece-by-Piece Explanations for Chess Positions with SHAP
University of Pisa（比萨大学）
本文提出将 SHAP 方法应用于国际象棋分析，通过将棋子视为特征并系统消融，计算逐子加和贡献，以局部忠实且可解释的方式解释引擎评估，为可视化、训练和引擎比较提供新途径。
2025-10-26 cs.AI cs.LG
The Algorithm Is Not the Behavior: Learned Priors Override Look-Ahead in a Chess-Playing Neural Network
Fraunhofer HHI（弗劳恩霍夫人工智能研究所）
研究发现，国际象棋神经网络Leela Chess Zero在中间层能正确计算解法，但最终输出被安全优先的先验知识覆盖，导致错误答案。
2026-10-30 cs.AI cs.LG
Toward Modeling Player-Specific Chess Behaviors
本文提出了一种适应冠军特定嵌入的统一Maia-2模型，结合限制性MCTS过程和基于Jensen-Shannon散度的新行为度量，以更准确地评估玩家与AI模型的行为一致性。
2026-05-12 cs.AI
Predicting Human Chess Moves: An AI Assisted Analysis of Chess Games Using Skill-group Specific n-gram Language Models
本文提出一种利用技能组特定n-gram语言模型预测人类象棋走法的AI辅助分析框架，通过动态选择模型提升预测准确性与效率。
2025-12-01 cs.AI
Otter: A Time-Aware, History-Conditioned Human Chess AI
Peargent Labs（Peargent实验室）
本研究提出时间感知序列的人类国际象棋AI Otter，结合走法历史编码器与用时控制模块，以更少参数和训练数据超越Maia 2，实现更精准的人类走法预测，相关资源已公开。
2026-08-07 cs.AI cs.LG
Learning Chess With Language Models and Transformers
Whiting School of Engineering, Johns Hopkins University（约翰斯·霍普金斯大学怀廷工程学院）
通过基于文本的符号表示棋盘游戏及其位置，使NLP应用成为可能。语言模型，可以帮助深入了解各种有趣的问题，如游戏的无监督学习规则，检测玩家的行为模式，玩家归因，并最终学习游戏击败最先进的状态。在这项研究中，我们应用BERT模型，首先对简单的Nim游戏进行分析，以分析其在少样本学习架构中存在噪声时的性能。我们通过三个虚拟玩家，即Nim Guru，Random Player和Q-learner，分析了模型的性能。在第二部分中，我们将游戏学习语言模型应用到国际象棋游戏中，以及一大组具有详尽百科全书开口的特级大师游戏。最后，我们已经证明，该模型实际上学习了国际象棋游戏的规则，并且可以在A类评级水平下与Stockfish进行比赛。
2022-09-24 cs.AI cs.CL cs.GT
A Methodology for Learning Players' Styles from Game Records
Birkbeck College, University of London（伦敦大学伯贝克学院）
我们描述了一个初步的调查学习国际象棋选手的风格，从游戏记录。该方法是基于尝试学习的球员的个人评价功能的时间差异的方法，与传统的国际象棋引擎架构的帮助下。一些令人鼓舞的结果是在学习风格的两个最近的国际象棋世界冠军，我们报告我们试图使用学到的风格来区分球员之间的游戏记录，试图检测谁是白色的，谁是黑色的。我们还讨论了我们的方法的一些局限性，并提出了未来研究的可能方向。我们提出的方法也可以适用于其他战略游戏，甚至可以推广到其他领域的代理人的行动序列记录。
2009-04-16 cs.AI cs.LG
Maia-2: A Unified Model for Human-AI Alignment in Chess
University of Toronto（多伦多大学）；Harvard University（哈佛大学）；Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
针对国际象棋中以往人类决策模型跨技能水平连贯性不足的问题，提出带技能感知注意力机制的统一模型Maia-2，显著提升了不同水平下的人机对齐效果，助力AI教学与决策研究。
2024-10-31 cs.AI
UniMaia: Steering Chess Policies with Language for Human-like Play
University of Waterloo（滑铁卢大学）；Carleton University（卡尔顿大学）
提出UniMaia框架，通过参数高效文本编码器和ControlNet风格调节机制，在冻结的Lc0国际象棋策略网络上实现提示条件策略调制，实现语义控制（如开局选择和玩家强度）并保持预训练策略表征，同时构建大规模元数据增强的Lichess数据集和半自动提示生成管道，在多个基准上取得最优或竞争性结果。
2026-05-26 cs.AI cs.CL cs.LG
Diversifying AI: Towards Creative Chess with AlphaZero
Google DeepMind（谷歌DeepMind）；Sony AI（索尼人工智能）；University of Oxford（牛津大学）
本文提出 AZ_db，通过潜在条件化架构和行为多样性技术扩展 AlphaZero，使多样化 AI 智能体团队在国际象棋中产生更多想法并利用次可加规划选择最佳方案，实验表明其解题数量翻倍且棋力提升 50 Elo，证明多样性对解决困难计算问题具有重要价值。
2024-07-31 cs.AI cs.LG
Ailed: A Psyche-Driven Chess Engine with Dynamic Emotional Modulation
Independent Researcher（独立研究者）
Ailed 是一种通过动态情绪调节产生行为变化的国际象棋引擎，通过心理信号链实现与人类类似的情绪波动表现。
2026-03-05 cs.AI cs.HC
How Relevant Are Chess Composition Conventions?
College of Information Technology, Universiti Tenaga Nasional（国家能源大学信息技术学院）
组合约定是人类组合者在组合国际象棋问题时使用的准则。这在作文比赛中尤为重要。例子包括，没有任何检查在第一步的解决方案，而不是打扮董事会与不必要的作品。惯例通常与整体美学或作品的美相关联，甚至直接混为一谈。使用现有的实验验证的计算美学模型的三个移动伴侣的问题，我们分析了计算机生成的组合物，坚持至少2，3和4个可比的公约，以测试如果简单地符合更多的公约有积极的影响，他们的美学，一般认为人类作曲家。我们发现了轻微但统计学上显著的证据，但只是在一定程度上。我们还分析了145个由人类组成的三步配偶问题的人类判断分数，看看它们是否与这些问题的计算美学分数有任何正相关。我们发现他们没有。这些看似矛盾的发现表明了两件主要的事情。首先，在一个作品中，适量地遵守构图惯例对它的感知美学有积极的影响。第二，人类裁判要么不看所用模型中与美学相关的相同惯例，要么强调与大多数玩家所感知的美关系不大的其他惯例，即使他们可能错误地认为他们的判断在传统的、非深奥的意义上是美的。人类法官也可能严重依赖个人品味，因为我们发现他们的个人得分之间也没有相关性。
2016-09-21 cs.AI
PAWN: Piece Value Analysis with Neural Networks
Arizona State University（亚利桑那州立大学）
本文提出利用CNN自动编码器生成的潜在位置表示，提升基于MLP的棋子价值预测精度，通过1200万棋谱数据验证，使预测误差降低16%，相对棋子价值预测误差约0.65个棋子。
2026-04-16 cs.AI cs.LG
Decisions and Performance Under Bounded Rationality: A Computational Benchmarking Approach
Rotterdam School of Management, Erasmus University（伊拉斯姆斯大学鹿特丹管理学院）；LMU Munich（慕尼黑大学）；CEPR（经济政策研究中心）；Ifo（伊福经济研究所）；IZA（劳动经济研究所）；CREST-ENSAE；CESifo（CESifo经济研究所）
本文提出了一种新的方法来分析人类的决策，包括比较职业棋手的行为相对于认知有限理性的计算基准。该基准是使用现代国际象棋引擎的算法构建的，并允许在单个移动观察水平上调查行为，从而代表了计算界优化的自然基准。分析提供了新的见解，隔离偏离这个基准的有限理性，以及他们的原因和后果的性能。研究结果证明存在几个不同的维度的行为偏差，这与不对称的位置评估方面的损失和收益，时间压力，疲劳和复杂性。结果还表明，偏离基准并不一定会导致更差的性能。更快的决策与更频繁地偏离基准相关，但它们也与更好的性能相关。这些发现与直觉和经验的重要影响是一致的，从而为最近关于认知过程中计算合理性的争论提供了新的线索。
2020-12-02 cs.AI econ.GN q-fin.EC
Assessing Human Error Against a Benchmark of Perfection
Microsoft Research（微软研究院）；Cornell University（康奈尔大学）；Harvard University（哈佛大学）
越来越多的领域为我们提供了关于人类决策的详细跟踪数据，我们可以通过算法评估这些决策的质量。在这种发展的推动下，一个新兴的工作领域已经开始考虑我们是否可以描述和预测人们可能犯错误的决策类型。为了研究人误预测的一般框架可能是什么样的，我们专注于一个在行为科学中具有丰富历史的模型系统：棋手在游戏中选择移动时做出的决定。我们进行了大规模的分析，使用了数百万个记录游戏的数据集，并使用国际象棋表库来获取一个子集的基础事实，这些位置已经完全被计算机解决，但即使对于世界上最好的玩家来说仍然具有挑战性。我们组织我们的分析围绕三个类别的功能，我们认为是目前在大多数情况下，人为错误的分析是适用的：决策者的技能，可用的时间来作出决定，和固有的困难的决定。我们在所有这三类特征中识别出丰富的结构，并发现强有力的证据表明，在我们的领域中，描述实例固有难度的特征比基于技能或时间的特征更强大。
2016-06-15 cs.AI cs.GT cs.SI
XQSV: A Structurally Variable Network to Imitate Human Play in Xiangqi
University of Cambridge（剑桥大学）
本文提出结构可变网络XQSV，通过动态调整结构、非法走法过滤、Elo区间划分等设计模仿中国象棋人类棋手行为，预测准确率约40%，并在图灵测试中表现优于传统引擎。
2024-07-05 cs.AI cs.LG
Implicit Neural Representations of Individual Behavior
University of California, Berkeley（加州大学伯克利分校）
提出Behavioral INR模型，用隐式神经表示从无标签多策略行为数据中学习策略表示，通过FiLM层调节策略函数，实现无监督策略识别，在连续状态-动作空间中提升策略可识别性。
2026-06-11 cs.AI cs.LG
Acceptable Planning: Influencing Individual Behavior to Reduce Transportation Energy Expenditure of a City
Palo Alto Research Center（帕洛阿尔托研究中心）；Virginia Tech Transportation Institute（弗吉尼亚理工交通研究所）
我们的研究旨在开发智能系统，通过影响个人行为来减少大城市与交通相关的能源支出。我们介绍了COPTER -一个智能旅行助手，它可以评估多模式旅行的替代方案，以找到一个人可以接受的计划，因为他们的背景和偏好。我们提出了一个可接受的规划公式，它汇集了人工智能，机器学习和经济学的想法。该公式已被纳入COPTER中，可实时生成可接受的计划。我们采用了一种新的经验评估框架，结合人类的决策数据与高保真度的多式联运模拟，以证明在美国加利福尼亚州洛杉矶的一个现实的部署方案，4%的能源减少和20%的延迟减少。
2019-09-23 cs.AI cs.CY cs.HC
CogniPlay: a work-in-progress Human-like model for General Game Playing
École Normale Supérieure de Rennes（里昂大学）；ICTEAM Université Catholique de Louvain（列日大学）
本文提出进行中的类人通用游戏博弈模型CogniPlay，基于认知心理学发现，旨在复制人类模式化直觉决策，弥补现有AI在类人行为上的不足。
2025-07-08 cs.AI
OpaqueToolsBench: Learning Nuances of Tool Behavior Through Interaction
University of Southern California（南加州大学）；Samaya AI
OpaqueToolsBench通过交互学习工具行为的细微差别，提出ToolObserver框架有效改进不透明工具的文档化。
2026-02-16 cs.AI cs.CL
CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）
针对集体移动异常检测未被充分探索的问题，提出CoBAD模型，通过两阶段注意力机制建模个体时空依赖与交互，检测意外共现和缺席异常，在大规模数据集上AUCROC和AUCPR显著优于基线。
2025-08-13 cs.AI cs.LG cs.SI
Learning Individual Behavior in Agent-Based Models with Graph Diffusion Networks
Sapienza University（萨皮恩扎大学）；CENTAI
本文提出基于图扩散网络的方法，通过学习个体行为来提升基于代理模型的模拟能力，展示了其在预测复杂系统动态方面的有效性。
2025-11-26 cs.AI cs.LG cs.MA
Modeling Individual Differences in Game Behavior using HMM
Northeastern University（东北大学）；Ubisoft（育碧）
玩家建模是一个重要的概念，在游戏研究中得到了广泛的关注，因为它在开发自适应技术以更好地设计参与和保留方面具有实用性。先前的工作已经探索了使用对聚合游戏动作执行的机器学习算法来对个体差异进行建模。然而，玩家的个体差异可能会更好地体现通过在游戏中的玩家的行动顺序模式。虽然很少有作品探讨了球员数据的序列分析，没有探索使用隐马尔可夫模型（HMM）来模拟个体差异，这是本文的主题。特别地，我们开发了一种建模方法，使用从玩角色扮演游戏（RPG）的玩家收集的数据。我们提出的方法有两个方面：1。我们提出了一个隐马尔可夫模型（HMM）的球员在游戏中的行为来模拟个体差异，和2。使用HMM的输出，我们生成用于对现实世界玩家的特征进行分类的行为特征，包括游戏专业知识和五大人格特质。我们的研究结果显示了一些人格特质的预测能力，如游戏专业知识和勤奋，但最有影响力的因素是游戏专业知识。
2018-04-01 cs.AI cs.HC
BeSTAD: Behavior-Aware Spatio-Temporal Anomaly Detection for Human Mobility Data
University of Minnesota（明尼苏达大学）；Novateur Research Solutions（Novateur研究解决方案）
针对大规模人群移动数据中的个体级异常检测难题，提出无监督框架BeSTAD，通过联合建模空间上下文与时间动态、构建个性化行为画像及跨周期比较，实现细粒度异常识别，推动个性化可解释移动分析。
2025-10-14 cs.AI
From Memory to Behavior: A Behavior-Aware Role-Playing Framework for Social Media Influencers
CMoney Technology Corporation（CMoney科技公司）；National Taiwan University（国立台湾大学）
提出行为感知角色扮演框架，通过情境-内部状态-行为人格方法及带参考的评估协议，提升LLM对真实个体和虚构角色的模仿保真度，并在社交媒体回复任务中超越现有基线。
2026-09-21 cs.AI cs.CL
