✨ 要約🔬 技術概要
競技カードゲームの世界には、新しいカードセットが公開された直後、誰もそれを使ってプレイする前という瞬間に生じる、特有の課題が存在します。プレイヤーたちが、数百枚の新しいカードが入ったばかりの新鮮なボックスからデッキを構築するために集まっている場面を想像してみてください。彼らは、そのカードが実際のゲームでどのように機能するかを知る術がないまま、どのカードを残し、どのカードを次のプレイヤーに渡すべきかを、一つずつ決めていかなければなりません。これが「デー・ゼロ（初日）」問題です。何十年もの間、プレイヤーのこうした選択を支援するために設計されたコンピュータプログラムは、待ちぼうけを食らってきました。それらは過去のゲームから学習しようとしますが、新しいセットが登場したときには、学習するための過去のデータが存在しないのです。データそのものがまだ存在していません。これにより、プレイヤーは完全に人間の直感と専門家の意見に頼ることになりますが、それらは主観的であり、人によって異なります。研究者たちの間では、コンピュータが、全く新しいセットに関する情報を一つも持たずとも、優れたカード選択に関する一般的なルールを十分に学習し、賢い推測を行うことができるのかという問いが長らく投げかけられてきました。
ブライアン・ウォードという研究者は、「DraftFM」と呼ばれる新しいシステムによって、この問題に取り組んできました。このシステムは、特定のカードを暗記しようとしたり、データの蓄積を待ったりするのではなく、数年間にわたる29種類の異なるカードセットにおける、人間のプレイヤーによる約1億5,000万件の選択に基づいて学習されました。鍵となる革新は、コンピュータがカードをどのように捉えるかという点にあります。システムは、各カードを暗記すべき固有の名前として扱うのではなく、あらゆるカードを、その色、コスト、タイプ、そしてルールのテキストといった、物理的および記述的な特性のリストへと分解します。また、固定された事前学習済みの言語理解を用いて、カードの説明文を読み取ります。何千もの異なるセットから学習することで、システムは、これらの特徴のみに基づいて、何がカードを価値あるものにするのかというパターンを認識することを学んだのです。システムはカードの名前も、それがどのセットに属しているかも知りません。ただ、目に見える特徴を知っているだけなのです。これにより、システムは、かつて学習したカードと同じ論理に基づいて、未経験の新しいカードを見ても、それをスコア付けすることができます。
このアプローチが実際に機能するかどうかをテストするため、研究者はトレーニングデータから3つのカードセット全体を退けました。これらのセットはモデルにとって未知のものでした。システムが、新しいセットから人間のプレイヤーが何をピックするかを予測するよう求められた際、驚くべき精度を発揮しました。プレイヤーが数十の選択肢を持ち、ランダムな運による正解の確率がわずか7パーセント程度であるドラフトの最初のピックにおいて、モデルは人間の選択と約51〜60パーセントの割合で一致しました。これは大きな進歩です。なぜなら、従来のコンピュータモデルは、セットがリリースされて数週間が経過するまで、このタスクに着手することすらできなかったからです。また、システムは、人間がドラフトの非常に早い段階、つまり選択の自由度が最も高い時に最も一貫性を持つこと、そして利用可能なカードのプールが減少するにつれて、彼らの選択がより予測可能になることも正しく特定しました。
このシステムの真の試練は、『ホビット』に基づいた新しいセットのリリース時に訪れました。研究者は、多くの人がドラフトを行うデジタルプラットフォームでそのセットが利用可能になる前に、DraftFMを使用して、セット内のすべてのカードの完全なランキングを作成しました。このランキングは、カードが実際にどのように機能するかについての知識を持たずに予測が行われたことを保証するため、デジタルタイムスタンプと共に、セットが公開される約36時間前に封印され公開されました。研究者は、コンピュータが生成したランキングを、カードコミュニティでよく知られている6人の独立した人間の専門家によるプレリリースレビューと比較しました。その結果、コンピュータのランキングは、専門家同士が互いに一致するのと同程度に、人間の専門家と一致していることが示されました。コンピュータは人間を凌駕することはありませんでしたが、一度もゲームをプレイしたり、一度もドラフトログを見たりすることなく、彼らのコンセンサス（合意）レベルに到達したのです。
この研究は、コンピュータが、全く新しいコンテンツに関する情報を予測するために、複雑なゲームの根底にある論理を十分に学習できることを証明しています。これは、過去の経験から未知の未来へと一般化する能力が、カードドラフトのような複雑な領域においても可能であることを示しています。システムは完璧ではなく、予測において一様に自信過剰であり、選択が困難な場合には依然として人間の専門家のニュアンスに追いつくことに苦労しています。しかし、それは「デー・ゼロ」における新たな基準を確立しました。カードを暗記された名前ではなく、特徴の集合体として扱うことで、モデルは「歴史からの学習」と「未知への航海」の間の溝を埋めています。研究者は、新しいセットの実際のドラフトデータが利用可能になった後に、フォローアップ調査を公開することを約束しており、それがモデルの予測が実際のカードの動きに対してどのように通用するかを明らかにすることになります。それまでは、この研究は、ルールが初めて書かれている最中であっても、機械が「予測というゲーム」をプレイすることを学べるという実証として存在し続けるのです。
技術要約：DraftFM – Magic: The Gatheringにおけるデイゼロ・ドラフトのための基盤モデル
問題提起 Magic: The Gathering （MTG）におけるドラフトは、プレイヤーがパックからカードを選択してデッキを構築する、不完全情報に基づいた逐次ゲームである。データ駆動型アシスタントにとっての重大な課題は、「デイゼロ（発売初日）」のレジームである。新しい拡張セットがリリースされる際、完全なカードリストは公開されているが、ドラフトのログはまだ存在しない。既存の教師あり学習によるピックモデルは、そのセット固有の過去のドラフトデータに依存しているため、支援を提供できるようになるまでに2週間のラグが生じる。さらに、カードを固定された語彙インデックスとしてエンコードしたり、リリース後の使用統計量に依存したりするモデルは、真に未発表のカードやセットをスコアリングすることができない。大規模言語モデル（LLM）はカードのテキストを読むことができるが、ターゲットとなるセットに対して大規模なファインチューニングを行わない限り、小規模な教師あり学習モデルを凌駕することは難しく、リリース後の戦略に関する議論によるデータ漏洩（リーク）のリスクも存在する。
手法 DraftFM を紹介する。
データソース: 本モデルは、1億4900万件の人間によるドラフトピック（17Lands経由）およびScryfallのカードメタデータを用いて訓練されている。3つの拡張セット（The Brothers' War 、Magic: Foundations 、Marvel Super Heroes ）は、ゼロショット評価のために完全に除外された。カード表現: DraftFMは、公開されているカードレコードのみから派生した、凍結された775次元のベクトルとしてカードを扱う。
391の構造化特徴量: Scryfallのレコードからパースされたもの（マナコスト、色、レアリティ、タイプ、パワー/タフネス、キーワード、サブタイプ）。384のテキスト埋め込み: 凍結されたBAAI/bge-small-en-v1.5文章エンコーダーによって生成された、カードのタイプ行およびルールテキストのL 2 L_2 L 2 除外事項: 本モデルには、カードアイデンティティ・パラメータ、セットアイデンティティ・パラメータ、およびリリース後の使用統計量は含まれていない。未知のカードは、既知のカードと同じ仕組みを用いてスコアリングされる。
ニューラルアーキテクチャ: DraftFMは、現在のパック、ドラフト済みのプール、およびドラフターの状態に条件付けされた離散選択ポリシー（利用可能なカードに対するソフトマックス）である。
カードエンコーダー: 共有MLPが各カードの775の特徴量をd d d プールエンコーダー: アテンションベースのメカニズムにより、蓄積されたドラフト済みのカードのプール（最大46種類の異なるカード）を単一のベクトルへと要約する。コンテキストエンコーダー: ドラフト順位、フォーマット、およびプレイヤーのスキル/経験のバケットを埋め込む。スコアラー: 候補となるカードの埋め込み、プールの要約、それらの要素ごとの相互作用、およびコンテキストを結合してスコアを生成する。利用可能なパックに対するソフトマックスにより、選択確率が得られる。
訓練: モデルは、予測分布と観測された人間のピックとの間のクロスエントロピーを最小化する。異なるモデル幅（d ∈ { 128 , 256 , 512 } d \in \{128, 256, 512\} d ∈ { 128 , 256 , 512 }
主な貢献
デイゼロ基盤モデル: DraftFMは、特徴量ベースの入力のみを使用し（ターゲットセットのピックや使用統計量を用いない）、未知の拡張セットに対して意味のあるゼロショット汎化を実現した、複数の拡張セットにわたって訓練された初の基盤モデルである。封印された予測的フォアキャスト: 著者は、未発売のセットであるThe Hobbit (HOB) に対する完全なP1P1（パック1、ピック1）のカードランキングを作成した。この予測は、入力、モデル、および出力のハッシュによる暗号学的プロベナンス（証跡）と共に封印され、MTG Arenaでプレイ可能になる約36時間前に公開された。これにより、データ漏洩を確実に防いでいる。人間によるエキスパートとのベンチマーク: 本論文は、リリース前のランキングを6名の独立したコンテンツクリエイターと比較している。これは、フォーマットがプレイされる前のエキスパート間の合意形成の基準を確立しており、エキスパート自身も大きく意見が分かれることを指摘している。
結果
ゼロショット性能: 保持された3つの拡張セット（The Brothers' War 、Magic: Foundations 、Marvel Super Heroes ）において、選択された160万パラメータのモデル（d = 256 d=256 d = 256 50.8% 、60.4% 、**56.7%**のトップ1一致率を達成した。これらの結果は、一様分布によるチャンス（最初のピックで約7%）および先行研究の特徴量のみのベースラインを大幅に上回っている。位置構造: モデルは既知の行動パターンを再現している。生の合意率はパックの開始時に最も高く、中間で低下し、終盤に向けて上昇する。パックサイズが減少することを考慮して正規化した場合（チャンス正規化合意率）、曲線は最初の4〜5ピックで減少し、ピック5または6で転換し、その後上昇する。エキスパートとの比較: 6名のプリリリース・レビュアーに対し、DraftFMの一致度（完全一致、1ステップ以内の誤差、およびランク相関で測定）は、概して人間同士のレビュアー間で観察される合意の範囲内に収まった。モデルは最高レベルの人間同士の一致度を上回ることはなかったが、エキスパート・コミュニティのコンセンサスを劇的に下回ることもなかった。効率性: 選択されたモデル（d = 256 d=256 d = 256 d = 512 d=512 d = 512
意義と主張
著者は、予測の正確性に関して謙虚である。彼らは、本モデルが人間（エキスパート）よりも正確であると主張しているわけではなく、また、勝率を最大化するとも主張していない。実現された結果に対する評価については、17Landsのデータが入手可能になった後のフォローアップ・ノートに委ねられている。主要な意義は、封印された予測の手続き的厳密さ と、従来の教師あり学習モデルが存在し得ないレジームにおいて、基盤モデルが効果的に動作できることを示した点にある。本研究は、「デイゼロ」が進化する環境における永続的な条件であることを確立しており、DraftFMはその課題に対処するための実行可能なアーキテクチャを提供している。
毎週最高の machine learning 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。 登録 ×