会员服务
Chomp · 方阵 · 相同 ·
2017 年 5 月 18 日
On Variations of Nim and Chomp
翻译：尼姆和乔普的变异
June Ahn,Benjamin Chen,Richard Chen,Ezra Erives,Jeremy Fleming,Michael Gerovitch,Tejas Gopalakrishna,Tanya Khovanova,Neil Malur,Nastia Polina,Poonam Sahoo
June Ahn,Benjamin Chen,Richard Chen,Ezra Erives,Jeremy Fleming,Michael Gerovitch,Tejas Gopalakrishna,Tanya Khovanova,Neil Malur,Nastia Polina,Poonam Sahoo
from arxiv, 8 pages, 1 figure

We study two variations of Nim and Chomp which we call Monotonic Nim and Diet Chomp. In Monotonic Nim the moves are the same as in Nim, but the positions are non-decreasing numbers as in Chomp. Diet-Chomp is a variation of Chomp, where the total number of squares removed is limited.


翻译：我们研究的是尼姆和乔普两种变异,我们称之为单调尼姆和迪特乔普。在尼姆单调尼姆中,移动与尼姆相同,但位置与乔普一样,没有降级。迪斯·乔普是乔普的变异,在乔普中,被清除的广场总数是有限的。
0
下载
关闭预览

相关内容

基于深度学习的图像语义分割技术研究进展，Research on Progress of Image Semantic Segmentation Based on Deep Learning
基于深度学习的图像语义分割技术研究进展，Research on Progress of Image Semantic Segmentation Based on Deep Learning
专知会员服务
60+阅读 · 2020年2月16日
经典书《机器学习：概率视角》（Machine Learning: a Probabilistic Perspective）第二版Python代码，附1098页pdf下载
经典书《机器学习：概率视角》（Machine Learning: a Probabilistic Perspective）第二版Python代码，附1098页pdf下载
专知会员服务
253+阅读 · 2019年10月25日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
53+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
168+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【加州大学伯克利分校博士论文】通过自我监督预测学习泛化
【加州大学伯克利分校博士论文】通过自我监督预测学习泛化
专知会员服务
64+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
MIT新书《强化学习与最优控制》
专知会员服务
270+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Simple and effective localized attribute representations for zero-shot learning
Simple and effective localized attribute representations for zero-shot learning
Arxiv
5+阅读 · 2020年6月10日
Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning
Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning
Arxiv
33+阅读 · 2019年10月24日
Logically-Constrained Reinforcement Learning
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
On the Implicit Assumptions of GANs
Arxiv
6+阅读 · 2018年11月29日
Few Shot Learning with Simplex
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Sem-GAN: Semantically-Consistent Image-to-Image Translation
Sem-GAN: Semantically-Consistent Image-to-Image Translation
Arxiv
4+阅读 · 2018年7月12日
Large Scale Local Online Similarity/Distance Learning Framework based on Passive/Aggressive
Arxiv
5+阅读 · 2018年4月5日
Geometry in Active Learning for Binary and Multi-class Image Segmentation
Arxiv
9+阅读 · 2018年1月16日
Progressive Growing of GANs for Improved Quality, Stability, and Variation
Arxiv
3+阅读 · 2017年11月3日
Multi-Task Learning with Labeled and Unlabeled Tasks
Arxiv
3+阅读 · 2017年6月8日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
Chomp
方阵
相同
相关VIP内容
基于深度学习的图像语义分割技术研究进展，Research on Progress of Image Semantic Segmentation Based on Deep Learning
基于深度学习的图像语义分割技术研究进展，Research on Progress of Image Semantic Segmentation Based on Deep Learning
专知会员服务
60+阅读 · 2020年2月16日
经典书《机器学习：概率视角》（Machine Learning: a Probabilistic Perspective）第二版Python代码，附1098页pdf下载
经典书《机器学习：概率视角》（Machine Learning: a Probabilistic Perspective）第二版Python代码，附1098页pdf下载
专知会员服务
253+阅读 · 2019年10月25日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
53+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
168+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【加州大学伯克利分校博士论文】通过自我监督预测学习泛化
【加州大学伯克利分校博士论文】通过自我监督预测学习泛化
专知会员服务
64+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
MIT新书《强化学习与最优控制》
专知会员服务
270+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
相关论文
Simple and effective localized attribute representations for zero-shot learning
Simple and effective localized attribute representations for zero-shot learning
Arxiv
5+阅读 · 2020年6月10日
Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning
Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning
Arxiv
33+阅读 · 2019年10月24日
Logically-Constrained Reinforcement Learning
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
On the Implicit Assumptions of GANs
Arxiv
6+阅读 · 2018年11月29日
Few Shot Learning with Simplex
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Sem-GAN: Semantically-Consistent Image-to-Image Translation
Sem-GAN: Semantically-Consistent Image-to-Image Translation
Arxiv
4+阅读 · 2018年7月12日
Large Scale Local Online Similarity/Distance Learning Framework based on Passive/Aggressive
Arxiv
5+阅读 · 2018年4月5日
Geometry in Active Learning for Binary and Multi-class Image Segmentation
Arxiv
9+阅读 · 2018年1月16日
Progressive Growing of GANs for Improved Quality, Stability, and Variation
Arxiv
3+阅读 · 2017年11月3日
Multi-Task Learning with Labeled and Unlabeled Tasks
Arxiv
3+阅读 · 2017年6月8日
Top
微信扫码咨询专知VIP会员
Top