Earticle

초록

한국어

강화학습은 복잡한 의사결정 문제를 해결하기 위해 환경과의 상호작용을 통해 학습하는 인공지능 의 한 분야로, 최근 몇 년 동안 인공지능 분야에서 중요한 진전을 이루었다. 특히나 컴퓨팅 기술의 발 전과 함께 심층신경망을 결합한 심층강화학습은 이 분야에서 뛰어난 성능을 보이고 있다. 하지만, 심층 강화학습은 엄청난 양의 경험 데이터와 긴 학습 시간을 필요로 하는 단점을 가지고 있으며, 이는 실용 적인 적용을 제한하는 요소로 작용한다. 이에 대해 전이학습은 학습된 지식을 한 작업에서 다른 작업 으로 전달함으로써, 학습 과정의 효율성과 범용성을 크게 향상시킬 수 있는 방법으로 주목받고 있다. 이 연구는 강화학습 전이의 한 분야인 정책 전이(policy transfer)에 초점을 맞추고, 다양한 정책 전이 기법의 최신 연구 동향을 조사한다. 특히, 다양한 환경과 작업 간의 전이를 가능하게 하는 기술적 접근 방식과, 이러한 전이가 성공적으로 이루어지기 위해 필요한 조건들을 분석한다. 본 연구는 정책 전이의 이론적 기반을 탐구하고, 실제 적용 사례를 통해 이러한 전이 기법의 잠재력과 한계를 논의함으로써, 강화학습의 전이학습 분야에 기여하고자 한다.

목차

요약
1. 서론
2. 기초사항
3.1. Policy Distillation
3.2. Policy Reuse
4. Conclusion
Acknowledgement
참고문헌

저자

• 이승환 [ 전자전기공학부 고려대학교 ]
• 석준희 [ 전자전기공학부 고려대학교 ] 교신저자

참고문헌