通过自动JSON特征提取实现游戏无关的价值函数
Game-Agnostic Value Functions through Automatic JSON Feature Extraction
- Queen Mary University of London（伦敦玛丽女王大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本研究提出基于JSON-Bag的游戏无关价值函数方法JSON-Bag VF，结合特征选择的JSON-Bag OSLA在6款桌面游戏上多数优于基线OSLA智能体，且特征选择是其性能的关键影响因素。
AI中文摘要：
JSON词袋（JSON-Bag）是一种近年提出的通用方法，通过对游戏轨迹的JSON描述进行分词来表示游戏轨迹。我们引入JSON-Bag VF，这是一种使用JSON-Bag原型训练游戏智能体价值函数的游戏无关方法。我们表明，该方法可通过基于随机森林的特征选择和选择游戏阶段特定特征的方法来增强。我们在6款桌面游戏上评估了结合一步前瞻（JSON-Bag OSLA）的JSON-Bag VF，涉及原型分词和特征选择的不同组合。JSON-Bag OSLA在大多数游戏中优于基线OSLA智能体。我们的分析还显示，特征选择显著提升JSON-Bag VF，且相较于原型分词，特征选择是影响JSON-Bag VF性能的最重要因素。
英文摘要：
JSON Bag-of-Tokens (JSON-Bag) is a recently proposed method to generically represent game trajectories by tokenizing their JSON descriptions. We introduce JSON-Bag VF, a game-agnostic approach to training value functions for game-playing agents using JSON-Bag prototypes. We show that this approach can be enhanced with Random Forest-based feature selection and a method to select game-stage-specific features. We evaluate JSON-Bag VF with One-step-look-ahead (JSON-Bag OSLA) on six tabletop games over different combinations of prototype-tokenization and feature selections. JSON-Bag OSLA outperforms baseline OSLA agents in most games. Our analysis also shows that feature selection significantly improves JSON-Bag VF and that feature selection is the most important factor in JSON-Bag VF performance, over prototype-tokenization.
