Jul, 2022

用蒙特卡罗搜索推翻谱图论猜想

PDF
TL;DR应用 Monte Carlo Search 算法中 Nested Monte Carlo Search 和 Nested Rollout Policy Adaptation 算法，能够在几分钟内构建图形并找到光谱图理论猜想的反例。
发现论文，激发创造
  • 自适应蒙特卡罗搜索在图论猜想证伪中的应用

    本研究提出了一种新的猜想反驳算法，名为 AMCS 算法，通过修改蒙特卡洛树搜索算法获得，旨在更有效地帮助研究人员测试图论猜想，并在多项图论猜想中得到了较好的应用。

    Jun, 2023

  • 利用神经网络辅助的蒙特卡罗树搜索对图进行稀疏化

    图神经网络与蒙特卡罗树搜索相结合的方法对多种类型的图进行计算，超过了多个标准近似算法，并经常找到最优解。

    Nov, 2023

  • 嵌套顺序蒙特卡罗方法

    本文提出了嵌套顺序蒙特卡罗 (NSMC) 方法，可以采样高维的概率分布，扩展了 SMC 框架并被用于复杂的高维模型和滤波问题中。

    Feb, 2015

  • 蒙特卡罗树搜索与证明数搜索的结合

    本文介绍了一种称为 PN-MCTS 的新方法，它将 Proof-Number Search 和 Monte-Carlo Tree Search 相结合，将证明和证伪数的概念纳入 MCTS 的 UCT 公式中，实验结果表明，PN-MCTS 在几种游戏中表现优于基本的 MCTS，包括行动路线、MiniShogi、Knightthrough 和 Awari，取得了高达 94.0% 的胜率。

    Jun, 2022

  • 基于证明数的蒙特卡罗树搜索

    本文提出了一种新的游戏搜索算法，PN-MCTS，该算法将 Monte-Carlo 树搜索（MCTS）和证明数搜索（PNS）相结合。我们定义了三个领域，在这些领域中，在 MCTS 树中收集的证明和反证号所提供的额外知识可能会被使用。在不同的时间设置中测试了所有可能的组合，并与几个游戏进行了对抗。实验表明，PN-MCTS 在 5 个游戏领域中（Gomoku 除外）自信地优于 MCTS，Lines of Action 的胜率高达 96.2%。

    Mar, 2023

  • 使用抽样计算近似纳什均衡和强稳最佳响应

    本文研究在复杂的部分可观测的随机博弈中，两种用于决策的蒙特卡洛采样搜索技术，MCTS 和 MCCFR。作者发现 MCTS 能较快地找到一种强策略而 MCRNR 学得更快。

    Jan, 2014

  • 图形模型的顺序蒙特卡罗方法

    通过提出一种新的框架，使用顺序蒙特卡罗方法对概率图模型进行推断，其目的是通过针对辅助分布来逼近概率图模型定义的全联合分布，并用于构建一般 PGM 的高维块采样算法。

    Feb, 2014

  • 神经自适应序贯蒙特卡罗

    本文介绍了一种新的适应性 SMD 方法，该方法使用了 Kullback-Leibler 散度的近似来自动适应提议分布，该方法非常灵活，适用于任何参数化的提议分布，并支持在线和批处理变量，我们使用新框架来适应基于神经网络的强大提议分布，从而导致神经自适应序贯蒙特卡洛，实验表明，在非线性状态空间模型中，NASMC 显着改善了推断，优于自适应提议方法，包括扩展卡尔曼和无味粒子滤波器，也表明当 NASMC 用作粒子分辨率 Metropolis　Hastings 的子程序时，改进的推断可转化为参数学习的改进。最后，我们展示 NASMC 能够训练潜在变量递归神经网络（LV-RNN），达到与多态音乐建模的最新水平竞争的结果。NASMC 可以看作是将自适应 SMC 方法与最近的可扩展的黑箱变分推理工作之间的桥梁。

    Jun, 2015

  • 带蒙特卡罗树搜索的优先级架构抽样

    通过基于 Monte Carlo 树搜索的采样策略，依赖于各层之间的关系，使用节点通信和分层选择方法以实现更好的探索和利用平衡，并构建了一个基于 CIFAR-10 的宏搜索空间的开源 NAS 基准测试 NAS-Bench-Macro，从而显著提高了搜索效率和性能。

    Mar, 2021

  • 连续蒙特卡罗图搜索

    本文提出了 Continuous Monte Carlo Graph Search（CMCGS），一种将 Monte Carlo Tree Search（MCTS）扩展到连续状态和动作空间的在线规划方法，并在 DeepMind Control Suite 基准测试和 2D 导航任务中表现优异。

    Oct, 2022