ডিপমাইন্ডের আলফাগো জিরো এবং আলফাজিরো কাগজগুলিতে, তারা মন্টি কার্লো ট্রি অনুসন্ধানের মূল নোড (বোর্ড স্টেট) থেকে ক্রিয়াকলাপের পূর্ব সম্ভাব্যতার সাথে ডিরিচলেট শব্দের যোগ করার বর্ণনা দিয়েছেন :
মূল নোড , বিশেষত , যেখানে ডিরিচলেট শব্দটি যুক্ত করে অতিরিক্ত অন্বেষণ করা যায় এবং ; এই গোলমালটি নিশ্চিত করে যে সমস্ত পদক্ষেপের চেষ্টা করা যেতে পারে, তবে অনুসন্ধানটি এখনও খারাপ চালগুলি ছাড়িয়ে যেতে পারে।
(আলফাগো জিরো)
এবং:
মূল নোডের পূর্ব সম্ভাবনার সাথে ডিরিচলেট শব্দ হয়েছিল; এটি একটি সাধারণ অবস্থানে আইনী পদক্ষেপের আনুমানিক সংখ্যার of এর মান হিসাবে বিপরীত অনুপাতে স্কেল করা হয়েছিলদাবা, শোগি এবং গো যথাক্রমে ।
(AlphaZero)
দুটি জিনিস যা আমি বুঝতে পারি না:
P(s, a)
একটি মাত্রিক ভেক্টর। Is সাধারণভাবে সংক্ষেপে সঙ্গে Dirichlet বিতরণের জন্য পরামিতি, প্রতিটি মান ?বহুবারিক বিতরণের পূর্বের সংশ্লেষ হিসাবে আমি কেবল ডিরিচলেট জুড়ে এসেছি। কেন এখানে বাছাই করা হয়েছিল?
প্রসঙ্গে, P(s, a)
প্রদত্ত রাষ্ট্র / ক্রিয়াকলাপের জন্য PUCT (বহুবর্ষীয় উচ্চতর আত্মবিশ্বাসের গাছ, উচ্চ আত্মবিশ্বাসের সীমারেখায় বৈকল্পিক) এর একটি মাত্র উপাদান। এটি একটি ধ্রুবক এবং একটি মেট্রিক দ্বারা স্কেল করে দেওয়া হয়েছে যে এমসিটিএস চলাকালীন প্রদত্ত ক্রিয়াটি তার ভাইবোনদের মধ্যে কতবার নির্বাচিত হয়েছে এবং আনুমানিক ক্রিয়াকলাপে যুক্ত হয়েছে Q(s, a)
:
PUCT(s, a) = Q(s, a) + U(s, a)
।- ।