Determining Player Skill in the Game of Go with Deep Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F16%3A00467760" target="_blank" >RIV/67985807:_____/16:00467760 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-49001-4_15" target="_blank" >http://dx.doi.org/10.1007/978-3-319-49001-4_15</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-49001-4_15" target="_blank" >10.1007/978-3-319-49001-4_15</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Determining Player Skill in the Game of Go with Deep Neural Networks

Popis výsledku v původním jazyce

The game of Go has recently been an exuberant topic for AI research, mainly due to advances in Go playing software. Here, we present an application of deep neural networks aiming to improve the experience of humans playing the game of Go online. We have trained a deep convolutional network on 188,700 Go game records to classify players into three categories based on their skill. The method has a very good accuracy of 71.5 % when classifying the skill from a single position, and 77.9 % when aggregating predictions from one game. The performance and low amount of information needed allow for a much faster convergence to true rank on online Go servers, improving user experience for new-coming players. The method will be experimentally deployed on the Online Go Server (OGS).

Název v anglickém jazyce

Determining Player Skill in the Game of Go with Deep Neural Networks

Popis výsledku anglicky

The game of Go has recently been an exuberant topic for AI research, mainly due to advances in Go playing software. Here, we present an application of deep neural networks aiming to improve the experience of humans playing the game of Go online. We have trained a deep convolutional network on 188,700 Go game records to classify players into three categories based on their skill. The method has a very good accuracy of 71.5 % when classifying the skill from a single position, and 77.9 % when aggregating predictions from one game. The performance and low amount of information needed allow for a much faster convergence to true rank on online Go servers, improving user experience for new-coming players. The method will be experimentally deployed on the Online Go Server (OGS).

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-19877S" target="_blank" >GA15-19877S: Automatické modelování znalostí a plánů pro autonomní roboty</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Theory and Practice of Natural Computing

ISBN

978-3-319-49000-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

188-195

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Sendai

Datum konání akce

12. 12. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000389507800015