Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
人狼におけるCNNを用いた役職判別手法
Search
megumish
September 21, 2017
Research
1
390
人狼におけるCNNを用いた役職判別手法
FSS2017の発表で使ったスライドです。
megumish
September 21, 2017
Tweet
Share
More Decks by megumish
See All by megumish
Pwn入門 BoFからHouse of Orange まで
megumish
0
4.7k
Other Decks in Research
See All in Research
第79回 産総研人工知能セミナー 発表資料
agiats
2
160
snlp2024_multiheadMoE
takase
0
430
Language is primarily a tool for communication rather than thought
ryou0634
4
740
医療支援AI開発における臨床と情報学の連携を円滑に進めるために
moda0
0
110
FOSS4G 山陰 Meetup 2024@砂丘 はじめの挨拶
wata909
1
120
データサイエンティストをめぐる環境の違い 2024年版〈一般ビジネスパーソン調査の国際比較〉
datascientistsociety
PRO
0
600
メールからの名刺情報抽出におけるLLM活用 / Use of LLM in extracting business card information from e-mails
sansan_randd
2
140
熊本から日本の都市交通政策を立て直す~「車1割削減、渋滞半減、公共交通2倍」の実現へ~@公共交通マーケティング研究会リスタートセミナー
trafficbrain
0
150
メタヒューリスティクスに基づく汎用線形整数計画ソルバーの開発
snowberryfield
2
320
精度を無視しない推薦多様化の評価指標
kuri8ive
1
250
ニュースメディアにおける事前学習済みモデルの可能性と課題 / IBIS2024
upura
3
520
Weekly AI Agents News! 10月号 論文のアーカイブ
masatoto
1
270
Featured
See All Featured
A designer walks into a library…
pauljervisheath
204
24k
Scaling GitHub
holman
458
140k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
44
2.2k
Designing for Performance
lara
604
68k
Site-Speed That Sticks
csswizardry
0
41
Learning to Love Humans: Emotional Interface Design
aarron
273
40k
Typedesign – Prime Four
hannesfritz
40
2.4k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
665
120k
GraphQLの誤解/rethinking-graphql
sonatard
67
10k
Build your cross-platform service in a week with App Engine
jlugia
229
18k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
27
850
The Illustrated Children's Guide to Kubernetes
chrisshort
48
48k
Transcript
人狼におけるCNNを用いた 役職判別手法 中京大学 川田恵氏, 加納政芳
背景―完全情報ゲーム― • ゲーム上の情報がすべて明らかになっているゲーム • 2013年,電脳戦でコンピュータがプロ棋士に勝利 • 2015年,コンピュータ囲碁プログラム AlphaGoがプロ棋士に勝利 • 上記のゲームはいわゆる完全情報ゲームと呼ばれる分野を対象と
したものである. • 完全情報ゲームの研究はすでに成熟している.
背景―不完全情報ゲーム― • すべての情報をプレイヤーが得られるとは限らないゲーム • 一方,不完全情報ゲームについては,まだまだ研究が進められてい ない. • 不完全情報ゲームとしては“人狼”と呼ばれるゲームがある. • “人狼”に関する研究プロジェクトとして人狼知能プロジェクトがある
人狼知能プロジェクト • 「人間と自然なコミュニケーションを取りながら人狼をプレイできる エージェントの構築」を最終目標としたプロジェクト. • 現在は人狼をコンピュータ同士でプレイできるエージェントを作成. – プロトコル部門(自然言語ではない部門)の大会の実施 – 自然言語部門の大会の実施
“人狼”ゲーム • まず、各プレイヤーに役職と呼ばれる役割が与えられる. プレイヤー 村人 人狼 占い師
“人狼”ゲーム • この役職は基本的には他プレイヤーには明かされない. プレイヤーA プレイヤーB
“人狼”ゲーム • プレイヤーの役職によって陣営が異なる. • “人狼”ゲームは陣営間でのゲームでの生き残りを賭けた対決 人狼陣営 村人陣営
“人狼”ゲーム • ゲームは昼のフェーズと夜のフェーズの繰り返しで行われる. • 昼のフェーズではプレイヤー同士が自由に話し合うことが出来る. • 話し合いの最後に最も人狼と疑われるプレイヤーがゲームから除外
“人狼”ゲーム • 夜のフェーズでは役職「人狼」が人狼以外のプレイヤーを襲撃. • 襲撃されたプレイヤはゲームから除外.
“人狼”ゲーム • “人狼”ゲームでは役職によって陣営が分けられる. • 陣営は役職に紐付いている. 人狼陣営 村人陣営
“人狼”ゲーム―役職― • 人狼知能プロジェクトでは現在6役職が実装されている. – 人狼陣営 • 人狼(WEREWOLF) • 狂人(POSSESSED)
“人狼”ゲーム―役職― • 人狼知能プロジェクトでは現在6役職が実装されている. – 村人陣営 • 村人(VILLAGER) • 狩人(BODYGUARD) •
霊媒師(MEDIUM) • 占い師(SEER)
“人狼”ゲーム―プレイヤーの行動― • プレイヤーのできる基本的な行動として,発話と投票がある. – この2つの行動はどの役職でも可能な行動である. • 人狼知能のプロトコル部門では話題ごとに発話が可能 • 投票時は自分以外の現在ゲーム中に存在するプレイヤーの誰か一 人に投票
“人狼”ゲーム • 発話の話題としては以下のものがある。 話題 〜は(を) 〜である 推測 誰か 役職 カミングアウト
誰か 役職 占い行為 誰か (占う)
“人狼”ゲーム • 会話の話題としては以下のものがある。 話題 〜は(を/に) 〜である 占い報告 誰か 人狼かそれ以外か 霊媒報告
誰か 人狼かそれ以外か 護衛行為 誰か (守る) 護衛報告 誰か (守った) 投票宣言 誰か (投票する) (襲撃宣言) 誰か (襲撃する)
“人狼”ゲーム • 会話の話題としては以下のものがある。 話題 〜は(を/に) 〜である 同意 会話 (同意する) 不同意
会話 (同意しない) 終了 (発言を終了する) スキップ (発言をスキップする)
“人狼”ゲーム • 会話や投票の情報はすべてのプレイヤーが把握可能 • ただし、それだけでは役職の情報を決定することは不可能 ➔誰がどの役職かを推測する必要がある
CNNを用いた役職判別手法 • 人狼知能のエージェントにおいても役職の推定は自身の行動を決 定する上で重要な要因となる. • 今回は先ほど示した6つの役職の判別手法として,たたみ込み ニューラルネットワーク(CNN)を採用した.
入力画像 • 発話情報は,発話トピックおよび投 票結果で構成される. • 発話トピックの情報と投票情報を 加えた計16の情報を発話情報とし て使用する. • また縦軸には16回分の時刻情報
を使用する.
CNNの構成 • 第1-2層間のたたみ込み層で16×4のフィルタを用いる ➔4時刻あたりの発話情報を考慮したフィルタを生成する. • CNNの学習には誤差逆伝搬法を,最適化手法にはAdamを用いた.
データセットの収集・作成 • 人狼知能プロジェクトにて、過去に開催された大会のエージェント (AI)を使用 • 使用した大会データは15人制の人狼 • 使用する役職は人狼知能で現在実装されている6つの役職 • 訓練データと評価データを別々に生成
– 訓練データはある一つの特定エージェントのみの対戦データを 使用 – 評価データはそれ以外のエージェントの対戦データを使用
実験結果 • 結果を示す数値としてprecision値を使用. 人狼 狂人 村人 狩人 霊媒師 占い師 人狼
0.35 0.06 0.23 0.21 0.03 0.07 狂人 0.07 0.71 0.07 0.03 0.04 0.23 村人 0.23 0.02 0.25 0.24 0.10 0.00 狩人 0.27 0.01 0.24 0.27 0.03 0.00 霊媒師 0.04 0.02 0.16 0.20 0.70 0.06 占い師 0.04 0.18 0.05 0.06 0.10 0.65 1.00 1.00 1.00 1.00 1.00 1.00
実験結果 • 各列が入力,各行が出力 人狼 狂人 村人 狩人 霊媒師 占い師 人狼
0.35 0.06 0.23 0.21 0.03 0.07 狂人 0.07 0.71 0.07 0.03 0.04 0.23 村人 0.23 0.02 0.25 0.24 0.10 0.00 狩人 0.27 0.01 0.24 0.27 0.03 0.00 霊媒師 0.04 0.02 0.16 0.20 0.70 0.06 占い師 0.04 0.18 0.05 0.06 0.10 0.65 1.00 1.00 1.00 1.00 1.00 1.00
実験結果 • 下線部のprecision値が高いほど,判別精度が高いと言える. 人狼 狂人 村人 狩人 霊媒師 占い師 人狼
0.35 0.06 0.23 0.21 0.03 0.07 狂人 0.07 0.71 0.07 0.03 0.04 0.23 村人 0.23 0.02 0.25 0.24 0.10 0.00 狩人 0.27 0.01 0.24 0.27 0.03 0.00 霊媒師 0.04 0.02 0.16 0.20 0.70 0.06 占い師 0.04 0.18 0.05 0.06 0.10 0.65 1.00 1.00 1.00 1.00 1.00 1.00
実験結果―人狼の判別結果― • 人狼の列に注目. • 人狼を正しく人狼と判別した結果は 0.35である. – これはチャンスレベル0.17を大幅 に超えている. •
しかし,同時に村人と狩人の誤判別 率が0.23,0.27とやや高い. 人狼 人狼 0.35 狂人 0.07 村人 0.23 狩人 0.27 霊媒師 0.04 占い師 0.04 1.00
実験結果―人狼の判別結果― • 人狼と村人,狩人の結果は以下のようになる. • 3者間での誤判別率が高いことがわかる. 人狼 村人 狩人 人狼 0.35
0.23 0.21 狂人 0.07 0.07 0.03 村人 0.23 0.25 0.24 狩人 0.27 0.24 0.27 霊媒師 0.04 0.16 0.20 占い師 0.04 0.05 0.06 1.00 1.00 1.00
考察―人狼陣営の騙りの傾向― • 人狼は村人陣営の村人と狩人に誤判別されやすい. – このことから,人狼は村人と狩人を騙ることが多いと言える. • こういった行動は「村人・狩人騙り」と呼ばれる. 人狼 村人 狩人
人狼 0.35 0.23 0.21 狂人 0.07 0.07 0.03 村人 0.23 0.25 0.24 狩人 0.27 0.24 0.27 霊媒師 0.04 0.16 0.20 占い師 0.04 0.05 0.06 1.00 1.00 1.00
実験結果―判別率の高い3役職― • 続いて,狂人,霊媒師,占い師の列を見る • これらは先の3つの役職と比較して判別率が約70%と高い. 狂人 霊媒師 占い師 人狼 0.06
0.03 0.07 狂人 0.71 0.04 0.23 村人 0.02 0.10 0.00 狩人 0.01 0.03 0.00 霊媒師 0.02 0.70 0.06 占い師 0.18 0.10 0.65 1.00 1.00 1.00
考察―人狼陣営の騙りの傾向― • 狂人は村人陣営の占い師に誤判別されやすい. ➔このことから,狂人は占い師を騙ることが多いと言える. ➔ こういった行動は「占い師騙り」と呼ばれる. 狂人 霊媒師 占い師 人狼
0.06 0.03 0.07 狂人 0.71 0.04 0.23 村人 0.02 0.10 0.00 狩人 0.01 0.03 0.00 霊媒師 0.02 0.70 0.06 占い師 0.18 0.10 0.65 1.00 1.00 1.00
まとめ • “人狼”の役職判別手法としてCNNを用いた手法を提案. ➔狂人,霊媒師,占い師を70%程度の精度で判別することが可能 – 人狼,狂人にはそれぞれ,「村人・狩人騙り」,「占い師騙り」の傾 向がある
まとめ―今後の課題― • “人狼”では陣営を区別すればいい. – 6つの役職を区別する方法では陣営の区別がつきにくい. • 更に言えば,人狼であるかどうかのみを区別すればいい. ➔以下のことを検討する. • 陣営を区別する手法,人狼である確率を推定する手法