自己対戦強化学習をするにあたり、ソフトマックス方策によるサンプリングが最適では**無い**んじゃないかと思えてきました。 ある程度の棋力のある人が、例えば「飛車角をタダで取れれば勝率が上がるよ」って言われても、大抵の人は「あぁそうですね」としか…