인간 체스에서의 Elo-해제된 플레이어 스타일 임베딩을 위한 등급 조건된 잔차 이동 모델

인간의 체스 스타일을 학습하는 연구를 진행했다. 각 선수별로 learned embedding을 사용하여 move history를 통해 스타일의 유사성을 측정하며, Elo 점수와는 분리된 embedding을 학습했다. key design는 rating-conditioned base move model을 사용하여 Elo 점수에 따라 선수가 typical하게 움직이는 패턴을 학습하고, learned move encoder와 per-player vector z를 학습하여 Elo 점수에 따른 typical play를 설명하는 residual formulation을 사용했다. base model은 strong Maia-3 policy보다 27-37% 상대적인 NLL 향상을 보였으며, top Elo 점수에서 가장 큰 향상을 보였다. Stockfish의 marginal value는 Elo 점수와 함께 monotonic하게 증가했으며, 900-1200 Elo 점수에서는 negligible한 값으로 시작하여 2800+ Elo 점수에서는 0.085 nats로 증가했다. Elo 점수에 따라 stratified 한 benchmark에서 22,620개의 hold-out decision를 사용하여, top-1 move-matching은 Maia-2, Maia-3, Stockfish-augmented base의 순서로 monotonic하게 증가했다. base model은 Maia-2보다 33% 상대적인 top-1 향상을 보였으며, Maia-3보다 19% 상대적인 top-1 향상을 보였다. player embedding은 raw move-matching에 대한 marginal top-1 gain은 95% confidence interval 내에 있었으며, 대신 representational한 가치를 보였다. z는 hold-out decision에 일반화되었으며, disjoint game의 player를 재 식별했으며, linear probe를 사용하여 Elo 점수를 recover할 수 있었다. Elo-orthogonal axis에 style을 캡처한 evidence로, per-player preference fine-tuning과 대체할 수 있는 economical, interpretable model을 제안했다. (대규모 언어 모델(LLM), Elo 점수, residual formulation, rating-conditioned base move model, marginal value)