On-Policy Vs. Off-Policy Reinforcement Learning in ConnectX: Seat-Stratified Performance and the Role of Action Masking
Notice bibliographique
Résumé
This study evaluates on-policy and off-policy reinforcement learning for ConnectX under a unified, seat-stratified evaluation protocol, with particular attention to invalid-action masking. Policies are trained against a fixed opponent schedule and evaluated offline with frozen parameters. The test set distinguishes Seen opponents from Unseen, deeper search (noisy-minimax-3 as the primary adversary; clean minimax-3 as a stress test). Uncertainty is summarized with 95% Wilson intervals, and all outcomes are reported by seat to avoid pooling bias. Across Seen opponents, masking consistently accelerates policy-gradient learning and reduces variability: MaskablePPO reaches target win-rate levels with fewer samples and tighter intervals than PPO, while value-based baselines reach an early asymptote. Against the Unseen noisy-minimax-3 in the first seat, PPO exceeds MaskablePPO (71.9% vs. 37.5%; intervals non-overlapping), whereas in the second seat masking yields large margins where legal actions are scarce (e.g., 87.6% vs. 17.3% against noisy-minimax-2; 48.3% vs. 8.3% against blocker; intervals non-overlapping). Against clean minimax-3, win rates approach zero within CI in the second seat for all methods, indicating a persistent gap to deeper search. These results imply two practical guidelines for legality-constrained, turn-based games: (i) legality-aware sampling is a substantive stability lever for policy-gradient methods rather than a peripheral implementation detail; and (ii) seat-stratified reporting is required to disentangle structural initiative from algorithmic effects. Overall, masking improves in-distribution efficiency and second-seat robustness but does not by itself close the generalization gap to stronger, unseen search.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».