KrwEmd: Neue Methode zur Verbesserung von Imperfektem-Recall in Kartenspielen

Exzessive Abstraktion stellt ein zentrales Problem bei der Handabstraktion in Spielen wie Texas Hold'em dar, insbesondere wenn große Imperfekte-Informationsspiele gelöst werden. Durch extreme Implementierungen der Imperfekten-Recall-Abstraktion werden historische Spielinformationen vollständig verworfen, was die Leistung von KI-Systemen stark beeinträchtigt.

Das vorliegende Papier präsentiert KrwEmd, den ersten praktischen Algorithmus, der dieses Problem gezielt adressiert. Zunächst wird das k‑Recall‑Winrate‑Feature eingeführt, das Signal‑Observationsinfosets sowohl durch zukünftige als auch durch historische Spielinformationen differenziert und deren Ähnlichkeit quantitativ erfasst.

Auf dieser Grundlage entwickelt KrwEmd einen Clustering‑Ansatz, der die Earth‑Mover‑Distance (EMD) nutzt, um Diskrepanzen zwischen den Merkmalen der Infosets zu messen. Durch die Kombination von qualitativen Unterscheidungen und quantitativen Ähnlichkeitsmaßen gelingt es KrwEmd, Signal‑Observationsinfosets effizient zu gruppieren.

Experimentelle Ergebnisse zeigen, dass KrwEmd die KI‑Spielleistung im Vergleich zu bestehenden Algorithmen deutlich verbessert und damit einen wichtigen Schritt zur Optimierung von Imperfekten-Recall‑Abstraktionen in Kartenspielen darstellt.