지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.1
- 수록면
- 81 - 84 (4page)
- DOI
- 10.7840/kics.2023.48.1.81
이용수
초록· 키워드
오류제보하기
강화학습을 다루는 환경 중에서도 희소 보상(sparse reward) 환경 체계에서 특히 기존의 시간 차이 학습 (temporal difference learning, TD) 기반 탐험법의 경우 보상을 주는 상태-행동 쌍을 발견하기 힘들 뿐만 아니라, 발견하더라도 해당 궤적에 있는 상태-행동 쌍에 대한 가치 함수에 반영이 빠르게 되지 못한다. 본 논문에서는 희소 보상체계 궤적에서 얻어지는 보상 값의 합이 종단 간 학습 과정에서 효율적으로 학습될 수 있는 Boltzmann guided sparse sampling (BGSS) 기법을 제안한다. 실험결과에서도 BGSS가 기존의 트리 탐색법과 시간 차이 학습법 모두 비교했을 때 훨씬 빠른 속도로 학습됨을 보였다.
목차
요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 트리 탐색 기반 강화학습 기법
Ⅲ. 종단간 학습가능한 정책 기반 희소 샘플링 기법
Ⅳ. 결론
References
참고문헌 (4)
참고문헌 신청
T. P. Lillicrap, J. J. Hunt, A. Pritzel, N. Heess, T. Erez, Y. Tassa, D. Silver, and D. Wierstra, “Continuous control with deep reinforcement learning,” in Proc. ICLR 2016, San Juan, Puerto Rico, May 2016. (https://doi.org/10.48550/arXiv.1509.02971)
J. Moon and B. Shim, “Deep reinforcement learning-based vehicle-to-vehicle resource allocation,” J. KICS, vol. 47, no. 10, 2022. (https://doi.org/10.7840/kics.2022.47.10.1565)
D. Silver, A. Huang, C. J. Maddison, A. Guez, L. Sifre, G. Van Den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, et al., “Mastering the game of go with deep neural networks and tree search,” Nature, vol. 529, no. 7587, pp. 484
T. Haarnoja, H. Tang, P. Abbeel, and S. Levine, “Reinforcement learning with deep energy-based policies,” in ICML 2017, pp. 1352-1361, Sydney, Australia, Aug. 2017. (https://doi.org/10.48550/arXiv.1702.08165)
J. Moon and B. Shim, “Deep reinforcement learning-based vehicle-to-vehicle resource allocation,” J. KICS, vol. 47, no. 10, 2022. (https://doi.org/10.7840/kics.2022.47.10.1565)
D. Silver, A. Huang, C. J. Maddison, A. Guez, L. Sifre, G. Van Den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, et al., “Mastering the game of go with deep neural networks and tree search,” Nature, vol. 529, no. 7587, pp. 484
T. Haarnoja, H. Tang, P. Abbeel, and S. Levine, “Reinforcement learning with deep energy-based policies,” in ICML 2017, pp. 1352-1361, Sydney, Australia, Aug. 2017. (https://doi.org/10.48550/arXiv.1702.08165)
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
강화 학습에 나타나는 희소 보상 문제를 해결하는 기법들
정보 및 제어 논문집
2021 .04
-
희소 보상 환경 개선을 위한 정책 기반 심층 강화학습
전기학회논문지
2021 .03
-
희소 보상 환경을 위한 강화학습 게임 에이전트
대한전기학회 학술대회 논문집
2020 .07
-
성찰적 강화학습 : 희소 보상 환경에서의 학습
한국정보과학회 학술발표논문집
2017 .06
-
Goal-Directed Navigation in Sparse Rewards via Visual Information
제어로봇시스템학회 국내학술대회 논문집
2024 .07
-
강화 학습에 나타나는 희소 보상 문제를 해결하는 기법들
대한전기학회 워크샵
2021 .04
-
희소 보상 환경을 위한 계층적 강화학습
대한전기학회 학술대회 논문집
2021 .07
-
D2S: 강화학습을 이용한 매니퓰레이터 제어를 위한 보상 빈도 기반의 커리큘럼 학습 개발
제어로봇시스템학회 국내학술대회 논문집
2021 .06
-
서로 다른 학습 기반을 적용한 강화학습에서의 보상 방법에 관한 연구
한국정보과학회 학술발표논문집
2018 .06
-
Analysis of Reinforcement Learning Rewards for Time and Energy Optimization
대한기계학회 춘추학술대회
2024 .06
-
자율주행차량을 위한 강화학습 보상 함수에 관한 연구
한국통신학회 학술대회논문집
2025 .02
-
Sparse Signal Recovery via a Pruning-based Tree Search
한국방송미디어공학회 학술발표대회 논문집
2015 .11
-
심층 Q-네트워크 학습에서 보상 및 학습 진행률 기반 적응형 탐색
한국통신학회 학술대회논문집
2023 .02
-
Analysis of Reward Functions in Deep Reinforcement Learning for Continuous State Space Control
Journal of KIISE
2020 .01
-
상태 표현 방식에 따른 심층 강화 학습 기반 캐릭터 제어기의 학습 성능 비교
컴퓨터그래픽스학회논문지
2021 .12
-
Efficient Tree Search for Sparse Signal Detection
ITC-CSCC :International Technical Conference on Circuits Systems, Computers and Communications
2015 .06
-
기계학습 및 기본 알고리즘 연구
한국컴퓨터정보학회 학술발표논문집
2018 .07
-
심층 강화학습에서 정책 신경망의 단순화를 위한 알고리즘 개발에 관한 연구
제어로봇시스템학회 국내학술대회 논문집
2018 .05
-
“강화학습” 특집을 내면서
정보과학회지
2019 .11
-
확률적 시뮬레이션을 이용한 모델 기반 강화학습
한국지능시스템학회 논문지
2018 .10
이 논문의 저자 정보
이 논문과 함께 이용한 논문
탐욕적 노드 확장을 통한 계층적 트리의 분류 정확도 향상
임병진
,
김종욱
한국컴퓨터정보학회논문지
2024
.06
문자열에서의 최대 길이 아벨 복제 탐색 알고리즘
김현빈
,
조다정
정보과학회 컴퓨팅의 실제 논문지
2025
.02
락-프리 기반 이진 탐색 트리 설계 및 구현
이상묵
,
이민욱
,
이상진
외 2명
한국정보과학회 학술발표논문집
2021
.06
해시 트리 기반의 대규모 데이터 서명 시스템 구현
박승규
,
박종진
,
이동욱
전자공학회논문지
2018
.05
그리디 알고리즘을 이용한 다중유사도 기반 추천시스템
홍정화
,
박찬수
,
황태규
외 1명
한국정보과학회 학술발표논문집
2015
.12
최근 본 자료
댓글(0)
0