ボーニング・リー (Boning Li)氏、ユー・チェン (Yu Chen)氏、ロングボー・ホワン (Longbo Huang)氏らは2026年8月6日(現地時間)、不完全情報ゲームにおけるエージェント評価を大幅に効率化する新手法「anytime-valid AIVAT (AV-AIVAT)」を発表した。同手法は、評価が必要な証拠を得た時点で停止することを保証し、従来の評価に比べて評価にかかるコストを大幅に削減する。
これまで、2つのエージェントの優劣を判断するには、スキルが運を上回るまでゲームをプレイする必要があり、各ゲームには金銭、モデル推論、または専門家の時間といったコストがかかっていた。必要なゲーム数が不明であるため、固定予算の評価では、結果が確定した後も支払い続けるか、エージェントを区別できる前に停止してしまうかのいずれかであった。
氏らが開発したAction-Informed Value Assessment Tool (AIVAT)は、条件付き平均ゼロ補正を通じて不完全情報ゲームの分散を削減する。15のLLMエージェント構成において、71,439組のHeads-Up No-Limit Hold’em (HUNL)ハンド全体で中央値54倍の分散削減を達成した。しかし、AIVAT単体では停止時期を判断する機能は備えていなかった。
AV-AIVATは、AIVATと継続的に監視されるコンフィデンス・シーケンス (Confidence Sequences: CSs)を組み合わせることで、いつでも有効な停止機能を実現する。そのオンライン価値モデルは過去のゲームからのみ学習するため、各ゲームが自身の補正を行うことはない。名目95%水準、目標精度±1 Big Blindにおいて、生の成果はAsymptotic CS (AsympCS)下で停止するために、AIVAT補正済みの成果の74倍のハンド数を必要とする。
正確な有限サンプル認証にはEmpirical-Bernstein CS (EB-CS)を使用し、補正されたペイオフに独立して正当化された上限が必要となる。Leduc hold’emでは構造的にその上限が確立され、CSのベット上限とその上限によって設定される幅の最小値が特徴付けられている。これは分散削減が早期停止にどれだけ寄与するかを規定する。記述的なHUNL EB-CSの実行では、中央値1.37倍の停止時間比が示された。AV-AIVATは、分散削減を効率的で監査可能な早期停止に変え、評価が必要十分な証拠を得た瞬間に停止し、第三者がその停止時点での判断を再確認するために必要なすべてを提供できる。
参考: arXiv cs.GT (アーカイブ) — 2026年8月7日 02:57 (JST)
原文ハイライト"74x Cheaper Agent Evaluation with Certified Anytime-Valid Stopping in Imperfect-Information Games"