局面評価時のパラメータ使用頻度の利用

現状のボーナスの付加は「学習時に使用した（特徴が非0の）頻度の低いパラメータが出現する局面に向かって行動選択する」という方式ですが、これだと局面評価時の使用頻度を無視しているので、ちょっともったいないです。

という訳で、評価時の情報もなんとか使用しようと検討中。

…なんですが、詳しい使用方法はまだ思い付いてないです。

• 学習時の使用頻度が低く評価時の使用頻度が高いパラメータは、"真の値"からかけ離れている可能性がある
• 評価時の使用頻度に対して学習時の使用頻度が高いパラメータは、多分"真の値"に近い

って感じの予想はしてるんですが、これが本当かどうかも怪しいです。

まぁ、今週末は講演会への移動時間が結構あるので、その時にでも検討します。