Resumen: En los juegos de cartas multijugador como Skat o Bridge, las primeras etapas del juego, como la puja, la selección del juego y la selección inicial de cartas, suelen ser más críticas para el éxito de la jugada que el juego refinado en la mitad y el final del juego. En los límites actuales de la computación, esa toma temprana de decisiones recurre al uso de información estadística derivada de un gran corpus de juegos de expertos humanos. En este artículo, derivamos y evaluamos un marco general de aprendizaje externo de arranque que mejora la precisión de la predicción al expandir la base de datos de juegos humanos con millones de juegos de IA autónomos para generar y fusionar estadísticas. Implementamos funciones hash de características perfectas para abordar tablas compactadas, produciendo un motor de juego de cartas de mejora automática, donde el conocimiento recién inferido se mejora continuamente durante el autoaprendizaje. El estudio de caso de Skat muestra que el enfoque automatizado se puede utilizar para respaldar diversas decisiones en el juego.
Publicado originalmente en export.arxiv.org el 18 de diciembre de 2025.
Ver fuente original
