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
380
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
4.6k
Other Decks in Research
See All in Research
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
450
出生抑制策と少子化
morimasao16
0
430
The Fellowship of Trust in AI
tomzimmermann
0
130
Matching 2D Images in 3D: Metric Relative Pose from Metric Correspondences
sgk
1
300
最近のVisual Odometryと Depth Estimation
sgk
1
260
多様かつ継続的に変化する環境に適応する情報システム/thesis-defense-presentation
monochromegane
1
480
20240719_第2回熊本の交通を語る会
trafficbrain
0
510
marukotenant01/tenant-20240826
marketing2024
0
510
Weekly AI Agents News! 9月号 プロダクト/ニュースのアーカイブ
masatoto
1
110
Weekly AI Agents News!
masatoto
24
22k
言語処理学会30周年記念事業留学支援交流会@YANS2024:「学生のための短期留学」
a1da4
1
230
クラウドソーシングによる学習データ作成と品質管理(セキュリティキャンプ2024全国大会D2講義資料)
takumi1001
0
250
Featured
See All Featured
Product Roadmaps are Hard
iamctodd
PRO
48
10k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.2k
A Modern Web Designer's Workflow
chriscoyier
692
190k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
364
22k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
107
49k
Imperfection Machines: The Place of Print at Facebook
scottboms
264
13k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
48k
Fantastic passwords and where to find them - at NoRuKo
philnash
50
2.8k
VelocityConf: Rendering Performance Case Studies
addyosmani
325
24k
Fireside Chat
paigeccino
32
3k
KATA
mclloyd
29
13k
Six Lessons from altMBA
skipperchong
26
3.5k
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