In some problems, such as backgammo

In some problems, such as backgammon [16], Scrabble [17], Amazons [5] and Lines of Action [6], it is possible to construct
an accurate evaluation function. In these cases it can be beneficial to stop simulation before the end of the game, and
bootstrap from the estimated value at the time of stopping. This approach, known as truncated Monte-Carlo simulation, both
increases the simulation speed, and also reduces the variance of Monte-Carlo evaluation. In more challenging problems,
such as Go [15], it is hard to construct an accurate evaluation function. In this case truncating simulations usually increases
the evaluation bias more than it reduces the evaluation variance, and so it is better to simulate until termination.

Kết quả (Việt) 1:

Trong một số vấn đề, chẳng hạn như backgammon [16], Scrabble [17], Amazon [5] và dòng hành động [6], có thể để xây dựngmột chức năng đánh giá chính xác. Trong những trường hợp, nó có thể được mang lại lợi ích để ngăn chặn các mô phỏng trước khi kết thúc của trò chơi, vàbootstrap từ giá trị ước tính tại thời điểm dừng. Cách tiếp cận này, được gọi là cắt ngắn Monte-Carlo mô phỏng, cả haităng tốc độ mô phỏng, và cũng làm giảm phương sai của Monte-Carlo đánh giá. Trong vấn đề khó khăn hơn,chẳng hạn như đi [15], thật khó để xây dựng một chức năng đánh giá chính xác. Trong trường hợp này cắt bớt mô phỏng thường tăngđánh giá thiên vị nhiều hơn vì nó làm giảm phương sai đánh giá, và do đó, nó là tốt hơn để mô phỏng cho đến khi chấm dứt.

Kết quả (Việt) 2:

Trong một số vấn đề, ​​chẳng hạn như cơ thỏ cao [16], Scrabble [17], Amazons [5] và dòng hành động [6], có thể xây dựng
một chức năng đánh giá chính xác. Trong những trường hợp này có thể có ích để ngăn chặn mô phỏng trước khi kết thúc của trò chơi, và
bootstrap từ giá trị ước tính tại thời điểm dừng. Cách tiếp cận này, được gọi là cắt ngắn mô phỏng Monte-Carlo, cả hai
làm tăng tốc độ mô phỏng, và cũng làm giảm mức chênh lệch của giá Monte-Carlo. Trong các vấn đề khó khăn hơn,
chẳng hạn như Go [15], nó là khó khăn để xây dựng một chức năng đánh giá chính xác. Trong trường hợp này cắt bỏ mô phỏng thường làm tăng
sự thiên vị đánh giá hơn nó làm giảm phương sai đánh giá, và như vậy nó là tốt hơn để mô phỏng cho đến khi chấm dứt.