CFR

अवलोकन

प्रति-तथ्यात्मक पश्चाताप न्यूनीकरण (CFR) दो-खिलाड़ी शून्य-योग खेलों में नैश संतुलन को हल करने के लिए एक एल्गोरिथ्म है। इसे Hart और Mas-Colell द्वारा प्रस्तावित किया गया था और बाद में Zinkevich एट अल द्वारा गेम थ्योरी पोकर अनुसंधान में पेश किया गया। CFR AI पोकर में एक मील का पत्थर है और Libratus और Pluribus जैसे शीर्ष पोकर AI की मुख्य प्रौद्योगिकियों में से एक है। ## मूल सिद्धांत CFR प्रत्येक निर्णय नोड पर 'प्रति-तथ्यात्मक पश्चाताप' की पुनरावृत्ति से गणना करता है—वह अतिरिक्त भुगतान जो एक खिलाड़ी वास्तविक कार्रवाई के बजाय वैकल्पिक कार्रवाई चुनकर प्राप्त कर सकता था। एल्गोरिथ्म संचित पश्चाताप मूल्यों के आधार पर बाद की रणनीतियों को समायोजित करता है, धीरे-धीरे नैश संतुलन में अभिसरण करता है। विशिष्ट प्रक्रिया में शामिल है:

• गेम ट्री में सभी सूचना सेटों को पार करना।
• प्रत्येक कार्रवाई के प्रति-तथ्यात्मक मूल्य की गणना करना (यह मानते हुए कि खिलाड़ी वर्तमान रणनीति के साथ उस सूचना सेट तक पहुँचता है)।
• संचित पश्चाताप मूल्यों को अद्यतन करना और तदनुसार एक नई रणनीति उत्पन्न करना (आमतौर पर पश्चाताप मिलान का उपयोग करके)। ## टेक्सास होल्डम में अनुप्रयोग टेक्सास होल्डम एक विशिष्ट अपूर्ण सूचना वाला खेल है जिसमें विशाल अवस्था स्थान है। CFR और इसके बेहतर संस्करण (जैसे, CFR+, Deep CFR) अमूर्तन तकनीकों (जैसे, अवस्था क्लस्टरिंग, क्रिया समूहीकरण) के माध्यम से कम्प्यूटेशनल जटिलता को कम करते हैं और फिर बड़े पैमाने पर समानांतर कंप्यूटिंग के साथ प्रशिक्षित करते हैं। उदाहरण के लिए, Libratus ने नो-लिमिट टेक्सास होल्डम में शीर्ष मानव खिलाड़ियों को हराने के लिए एक संशोधित CFR एल्गोरिथ्म का उपयोग किया। ## विशेषताएँ
• सैद्धांतिक गारंटी: शून्य-योग खेलों में, CFR गारंटी देता है कि औसत रणनीति नैश संतुलन में अभिसरण करती है।
• कोई पूर्व ज्ञान आवश्यक नहीं: एक समान यादृच्छिक रणनीति से शुरू होकर, यह स्वचालित रूप से इष्टतम रणनीति सीखता है।
• उच्च कम्प्यूटेशनल लागत: नो-लिमिट टेक्सास होल्डम में पूर्ण गेम ट्री को पार करना संभव नहीं है और इसके लिए अमूर्तन और नमूनाकरण की आवश्यकता होती है। ## सीमाएँ CFR मुख्य रूप से दो-खिलाड़ी शून्य-योग खेलों के लिए उपयुक्त है। बहु-खिलाड़ी खेलों में, सैद्धांतिक रूप से अभिसरण की गारंटी नहीं है, लेकिन संशोधन (जैसे, आगे की खोज के साथ प्रति-तथ्यात्मक पश्चाताप न्यूनीकरण) व्यवहार में अच्छे परिणाम प्राप्त कर सकते हैं।