메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
주하람 (카이스트) 김준오 (카이스트) 이상완 (카이스트)
저널정보
한국지능시스템학회 한국지능시스템학회 논문지 한국지능시스템학회 논문지 제28권 제5호
발행연도
2018.10
수록면
481 - 486 (6page)
DOI
10.5391/JKIIS.2018.28.5.481

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 논문은 상태천이에 불확실성이 있는 동적 환경에서도 안정적인 학습이 가능한 model-based 강화학습 전략을 제안한다. 기존의 강화학습 알고리즘은 보상의 기대치 최대화에 초점을 둔 model-free 방식으로 환경의 불확실성을 경험적으로 습득하므로 적응 속도가 느리다. 이에 비해 환경 모델을 학습하는 model- based 방식은 아직 경험하지 못한 상황에 대한 시뮬레이션 결과를 보상의 기대치 학습에 적용함으로써 환경변화에 빠른 적응이 가능하다. 본 연구에서는 환경의 상태천이에 대한 확률 모델을 온라인 학습하고, 학습된 모델을 이용하여 확률적으로 시나리오를 시뮬레이션하며, 이를 바탕으로 보상의 기대치를 최대화하는 전략을 찾아내는 model-based 강화학습 방식을 구현하였다. OpenAI의 FrozenLake 시뮬레이터를 이용하여 불확실성을 내포한 동적 환경을 구현하였으며, 제안한 모델과 기존 방법의 성능을 다양한 측면에서 비교하였다. 제안된 모델은 상태천이의 불확실성과 환경변화의 불안정성이 모두 존재하는 극한 상황 속에서도 변화에 강인한 전략 탐색의 기틀을 제공한다.
#상태천이 불확실성 #모델기반 강화학습 #FrozenLake #State Transition Uncertainty #Model-based Reinforcement Learning

목차

요약
Abstract
1. 서론
2. 확률적인 상태천이를 가진 동적 환경
3. Model-free 강화학습
4. Model-based 강화학습
5. 시뮬레이션 결과 및 분석
6. 결론 및 향후 연구과제
References

참고문헌 (11)

참고문헌 신청
R. S. Sutton, “Learning to predict by the methods of temporal differences.” Machine Learning, 3, pp. 9-44, 1988. A. Samuel, “Some studies in machine learning using the game of checkers.” IBM Journal of Research and Development, 3(3), pp. 210-229, 1959. J. H. Holland, “Escaping brittleness: The possibilities of general purpose learning algorithms applied to parallel rule-based systems.” Machine learning: An artificial intelligence approach, 2, R. S. Michalski, J. G. Carbonell, and T. M. Mitchell, Eds. Los Altos, CA: Morgan Kaufmann, pp. 593-623, 1986. J. W. Moore, J. E. Desmond, N. E. Berthier, D. E. Blazis, R. S. Sutton, and A. G. Barto, “Simulation of the classically conditioned nictitating membrane response by a neuron-like adaptive element: response topography, neuronal firing, and interstimulus intervals.” Behavioral Brain Research, 21(2), pp. 143-154, 1986. J. Y. Park, S. H. Ji, K. H. Sung, S. M. Heo, and K. W. Park, “Investigations on data-driven stochastic optimal control and approximate-inference-based reinforcement learning methods.” Journal of The Korean Institute of Intelligent Systems, 25(4), pp. 319-326, 2015.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

분포함수 추정 정확도 평가 기법의 비교 연구
강영진 ,  노유정 대한기계학회 춘추학술대회 2019 .11
강화학습 기반 자율주차 연구를 위한 시뮬레이터 개발
엄하영 ,  김정환 ,  지승윤 외 1명 디지털콘텐츠학회논문지 2020 .02
멀티 에이전트 환경에서 다양한 전략에 강인한 멀티스킬 강화학습 에이전트 설계 가능성 연구
이민지 ,  장예원 ,  조수연 외 1명 한국정보과학회 학술발표논문집 2019 .12
베이지안 방법을 활용한 강우조건별 산사태 발생확률 분석: 강원도 춘천시를 중심으로
이원영 ,  성효현 대한지리학회 학술대회논문집 2019 .06
국내 원전의 주제어실 내 화재로 인한 원격정지제어반에서의 안전정지 실패확률에 대한 민감도 분석
이한설 한국에너지학회 학술발표회 2019 .05

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-003-003541511