未知に焦点を当てたモンテカルロ木探索の探求の拡張

モンテカルロ木探索（MCTS）は、幅広い応用を持つ効果的な常時アルゴリズムです。これは、検索ツリーの有望なセグメントに焦点を当てるために計算リソースを戦略的に配分し、大規模な探索空間において非常に魅力的な探索アルゴリズムとなっています。しかし、最も有望な経路が依然として残っている場合、限られたリソースを以前に探索した領域の再評価に費やすことがしばしばあります。我々が提案する手法、AmEx-MCTSと呼ばれるものは、新しいMCTSの定式化を導入することでこの問題を解決します。AmEx-MCTSの中心には、ツリー探索中の値の更新、訪問回数の更新、選択された経路のデカップリングがあります。これにより、既に探索されたサブツリーや葉を除外することが可能になります。この分離は、探索と活用のバランスおよびMCTS内の品質指標のための訪問回数の有効性を保持します。その結果、同一の計算リソースを使用して、かなり広範囲の探索を実現し、MCTSの本質的な特性を保持します。拡張されたカバレッジは、より正確な推定を生むだけでなく、より大きくより複雑な問題においても有効です。我々の実証評価は、AmEx-MCTSの優れたパフォーマンスを示しており、従来のMCTSや関連アプローチを大幅に上回っています。