Systematic selection of N-tuple networks with consideration of interinfluence for game 2048

Matsuzaki, Kiminori

doi:10.1109/taai.2016.7880154

Cited by 6 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Szubert and Jaśkowski [25] reported that the computer player performed significantly better by introducing 6-tuples instead of 4-tuples. Some studies used larger 7-tuples [11], [14], [20]. [20] and Matsuzaki [14] analyzed the perfor-mance of players that utilizes many 6-tuples or 7-tuples.…”

Section: Players Based On N-tuple Networkmentioning

confidence: 99%

“…Some studies used larger 7-tuples [11], [14], [20]. [20] and Matsuzaki [14] analyzed the perfor-mance of players that utilizes many 6-tuples or 7-tuples. Jaśkowski's redundant encoding [11] is also a technique to increase the number of N-tuples (and we can save the number of weights by using smaller additional tuples).…”

Section: Players Based On N-tuple Networkmentioning

confidence: 99%

“…We also tested supervised learning of value networks (both an NTN and a smaller variant of tjwei's network) with the same set of training data, but we failed to obtain good players (Section 6). [25] 17×4-tuples, TD learning 860,625 51,320 Szubert and Jaśkowski [25] 2×4-tuples & 2×6-tuples, TD learning 22,882,500 99,916 Wu et al [29], [32] 4×6 -tuples, TD learning, 3 stages 136,687,500 143,958 N-tuple Oka and Matsuzaki [20] 40×6-tuples, TD learning 671,088,640 210,476 network Oka and Matsuzaki [20] 10×7-tuples, TD learning 2,684,354,560 234,136 Matsuzaki [14] 8×6-tuples, TD learning 134,217,728 226,958 Matsuzaki [14] 8×7-tuples, TD learning 2,147,483,648 255,198 Matsuzaki [15] 4×6-tuples, backward TC learning, 8 stages 536,870,912 232,262 Jaśkowski [11] 5×6-tuples, TC learning, 16 stages, redundant encoding, etc. 1,347,551,232 324,710 This work (comparison) 5×4-tuples, TC learning, 3 stages 983,040 50,120 Guei et al [9] 2 convolution (2 × 2), 2 full-connect, TD learning N/A ≈11,400 Guei et al [9] 3 convolution (3 × 3), 2 full-connect, TD learning N/A ≈ 5,300 tjwei [26] 2 The rest of the paper is organized as follows.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Playing Game 2048 with Deep Convolutional Neural Networks Trained by Supervised Learning

Kondo

Matsuzaki

2019

Journal of Information Processing

Self Cite

View full text Add to dashboard Cite

Game 2048 is a stochastic single-player game and development of strong computer players for Game 2048 has been based on N-tuple networks trained by reinforcement learning. Some computer players were developed with (convolutional) neural networks, but their performance was poor. In this study, we develop computer players for Game 2048 based on deep convolutional neural networks (DCNNs). We increment the number of convolution layers from two to nine, while keeping the number of weights almost the same. We train the DCNNs by applying supervised learning with a large number of play records from existing strong computer players. The best average score achieved is 93,830 with five convolution layers, and the best maximum score achieved is 401,912 with seven convolution layers. These results are better than existing neural-network-based players, while our DCNNs have less weights.

show abstract

Section: Players Based On N-tuple Networkmentioning

confidence: 99%

Section: Players Based On N-tuple Networkmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Playing Game 2048 with Deep Convolutional Neural Networks Trained by Supervised Learning

Kondo

Matsuzaki

2019

Journal of Information Processing

Self Cite

View full text Add to dashboard Cite

show abstract

“…Oyun sadece zaman geçirmek isteyen insanların ilgisini çekmedi. Aynı zamanda yapay zeka araştırmacılarının da ilgisini çekmeği başardı ve yapay zeka ile ilgilenen insanların test ortamı olarak kullanılmaya başlandı (Matsuzaki, 2017). 2048 oyunu için kullanılabilecek yöntemler hakkında yapay zeka araştırmacıları arasında ortak bir karar alınamadı.…”

unclassified

2048 Oyunu İçi̇n Farkli Algori̇tmalarin Performans Anali̇zi̇

Sabri¹,

Haklı

2023

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

2048, 4x4 ızgara üzerinde oynanan hücre kaydırmalı bir oyundur. 2048 oyunu kısa bir süre içerisinde insanlar arasında yayılarak önemli bir oynanma süresine sahip oldu. Popülerliğinin yanında, aksiyon sayısının az olmasına rağmen oluşabilecek çok fazla durumun bulunması nedeniyle yapay zeka araştırmacılarının dikkatini çekti. Tüm ihtimaller dikkate alındığında oyun tahtası üzerinde oluşabilecek durum sayısının 1216 olması ve oyundaki stokastik yapı dikkate alındığında oyunun zorluk derecesi görülmektedir. Literatürde 2048 oyunu üzerine uygulama içeren çalışmalar iki farklı yaklaşım altında değerlendirilmektedir. Bunlar öğrenme tabanlı yöntemler ve arama tabanlı yöntemlerdir. Bu çalışmada bu iki yöntem için en temel algoritmalar belirlendi. Arama tabanlı yöntemler olarak Derin Öncelikli Arama (Depth First Search - DFS) ve Monte Carlo Ağaç Arama (Monte Carlo Tree Search - MCTS) seçilirken, öğrenme tabanlı yöntem olarak Q-Öğrenme (Q-Learning) kullanıldı. Ayrıca algoritmalar budama ve rulet tekerliği gibi farklı teknikler ile uygulandı. Algoritmaların analizleri yapılırken skor ve maksimum karo metrikleri dikkate alındı. Skor metriği dikkate alındığında en başarılı algoritma DFS olurken, maksimum karo dikkate alındığında en başarılı yöntemin MCTS algoritması olduğu tespit edildi.

show abstract

Developing a 2048 Player with Backward Temporal Coherence Learning and Restart

Matsuzaki

2017

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Systematic selection of N-tuple networks with consideration of interinfluence for game 2048

Cited by 6 publications

References 11 publications

Playing Game 2048 with Deep Convolutional Neural Networks Trained by Supervised Learning

Playing Game 2048 with Deep Convolutional Neural Networks Trained by Supervised Learning

2048 Oyunu İçi̇n Farkli Algori̇tmalarin Performans Anali̇zi̇

Developing a 2048 Player with Backward Temporal Coherence Learning and Restart

Contact Info

Product

Resources

About