使用机器学习算法预测棋 960 结果并发展开局主题

Oct, 2023

使用机器学习算法预测棋 960 结果并发展开局主题

Machine Learning Algorithms to Predict Chess960 Result and Develop Opening Themes

Shreyan Deo, Nishchal Dwivedi

TL;DR这项研究集中于分析象棋 960（又称费舍尔随机象棋），这是传统象棋的一种变种，棋子的初始位置是随机的。研究旨在利用机器学习技术预测比赛结果，并为每个初始位置开发一个开局主题。本分析的第一部分利用机器学习模型根据每个位置的某些着法预测比赛结果。通过将.pgn 文件中的原始数据分离成可用格式，创建了大约 500 局游戏的数据集，每个数据集对应一个初始位置。预测比赛结果采用了三种机器学习算法，即 KNN 聚类、随机森林和梯度提升树。为了确定开局主题，棋盘被分为五个区域：中心、白方王翼、白方后翼、黑方王翼和黑方后翼。使用所有 960 个位置上顶级引擎对弈的数据来跟踪开局中棋子的移动。通过分析每个区域在特定着法的棋子数量的变化，该研究预测了比赛向哪个区域发展。这些模型为预测比赛结果和理解象棋 960 的开局主题提供了有价值的见解。

Abstract

This work focuses on the analysis of chess 960, also known as Fischer Random Chess, a variant of traditional chess where the starting positions of the pieces are randomized. The study aims to predict the game outcome

chess 960 machine learning techniques opening theme game outcome predictive models

发现论文，激发创造

足球比赛结果预测的机器学习

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024

Chess Transformer：利用生成式语言模型掌握下棋

本研究证明了自然语言变换器可以支持更通用的战略建模，特别是对于文本存档游戏。我们的 Chess Transformer 在 2.8 百万张国际象棋棋局的训练中能够生成合理的策略和经典开局的局面，加入了与人交互的方法可以正确过滤非法移动并挑战变压器的棋局。未来的研究将构建在这个变换器的基础上，在其他具有从简单但富有表现力的玩家注释中捕捉底层复杂规则语法的策略游戏中特别发挥作用。

Aug, 2020

DeepChess: 棋类自动学习的端到端深度神经网络

本文介绍了一种基于深度神经网络的端到端学习方法，通过无监督预训练和有监督训练来训练神经网络，实现了无先验知识的自动下棋策略，结果表明 DeepChess 能够和经过多年人工调整的机器下棋程序相媲美，是第一个能够实现国际象棋特级大师水平的端到端机器学习方法。

Nov, 2017

利用语言模型和变形金刚学习国际象棋

本研究使用基于文本的记号表示来实现棋盘和其位置的表述，随后应用 BERT 模型在 Nim 和国际象棋游戏中实现无监督学习和玩家行为检测。研究结果表明，该模型已经实践证明在 A 类评级水平中已经可以与 Stockfish 进行胜负对抗了。

Sep, 2022

英雄联盟：实时比赛结果预测

使用机器学习技术对电子游戏《英雄联盟》（LoL）比赛结果进行预测的研究，采用未发布的数据作为预测过程的基础，研究结果有助于提高玩家策略和相关博彩行业的效益。

Sep, 2023

学用教科书学棋（LEAP）：基于情感分析评估棋局的语料库

该研究使用棋谱书籍作为新的知识来源，开发了一个包含结构化和非结构化数据的新型异构数据集 LEAP corpus，用于实现机器学习下棋，并使用基于 Transformer 的模型进行情感分析评估，结果表明该模型在评估棋步时取得了较高的性能。最后，通过合成 LEAP corpus，创造了一个较大的数据集，以解决棋类领域中有限的文本资源问题。

Oct, 2023

捕捉动量：运用机器学习与时间序列理论进行网球比赛分析

本文分析了网球比赛的势头，并且基于技术统计数据构建了一个系统来预测体育比赛结果和分析选手的表现。使用隐马尔可夫模型预测势头，使用 Xgboost 验证其重要性，最后使用 LightGBM 评估模型性能，并利用 SHAP 特征重要性排名和权重分析找出影响选手表现的关键因素。

Apr, 2024

国际象棋端到端识别

通过深度学习模型和引入两种新方法，绕过棋盘检测、方格定位和棋子分类的流程，直接从整个图像预测棋盘配置。同时，引入一种新的数据集 ChessReD，用于训练模型并评估比较其性能，相较于现有的方法，该方法在新的基准数据集上实现了 15.26% 的棋盘识别精度（约为当前最先进方法的 7 倍）。

Oct, 2023

无搜索的国际大师级棋局

研究表明，机器学习中的重要突破主要归功于规模，特别是大规模的基于注意力的架构和空前规模的数据集。本文通过在一个包含一千万局国际象棋比赛的数据集上对一个含有 2.7 亿个参数的 transformer 模型进行监督学习，利用由强大的 Stockfish 16 引擎提供的动作价值为数据集中的每个棋盘进行注释，得到了约 150 亿个数据点，并达到了 2895 的 Lichess 快棋等级分，成功解决了一系列有难度的国际象棋难题，而无需特定领域的优化或显式搜索算法。研究还表明，我们的模型在性能上超过了 AlphaZero 的策略和值网络（没有 MCTS）以及 GPT-3.5-turbo-instruct。对模型和数据集规模进行的系统研究表明，只有在足够规模的情况下，才能展现强大的国际象棋性能。为了验证我们的结果，我们进行了一系列关于设计选择和超参数的消融实验。

Feb, 2024

以国际象棋为测试基地的语言模型状态跟踪

本研究通过考虑围棋的语言建模任务为基础，探索如何评估 Transformer 语言模型对文本子表面的世界状态的准确跟踪。研究发现，当仅在移动序列上进行训练时，具有足够训练数据的 Transformer 语言模型可以学习跟踪棋子并预测合法棋步。但模型表现与周围状态有关且完整的游戏历史对提高模型表现至关重要，而只进行部分关注则会导致性能下降。

Feb, 2021