인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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.
피인용 0
초록·키워드
본 논문에서는 개인화된 패션 추천을 위한 새로운 멀티에이전트 강화학습(MARL) 프레임워크를 제안한다. 기존의 추천 시스템은 주로 정적인 시각적 비교나 기초적인 관계 모델링에 의존해 왔으나, 이로 인해 사용자의 세밀한 맥락적 요구를 파악하지 못하고 취향의 불일치(Interest Mismatch)를 야기하는 경우가 많았다.
이러한 한계를 극복하기 위해, 본 연구에서는 시각 에이전트(VA), 관계 에이전트(RA), 그리고 의도 에이전트(IA)로 구성된 의도 중심의 자율 협업 환경을 도입한다. 제안된 시스템은 MAPPO(Multi-Agent Proximal Policy Optimization) 알고리즘을 활용하여 의류 간의 복잡한 세만틱 의존성을 포착하고, 계층적인 의사결정 프로세스를 수행한다. 나아가, 다차원 세만틱 벡터 공간 내에 동적 강화학습 보상(Dynamic Rewards) 체계를 통합함으로써, 사용자 피드백에 따른 실시간 추천 업데이트가 가능하도록 설계하였다.
Fashion-MNIST 샘플 데이터를 활용한 실험적 평가 결과, 제안된 프레임워크는 학습 수렴 속도와 추천 정확도(Hit Rate 및 MRR)를 유의미하게 향상시켰다. 특히 중앙 크리틱(Centralized Critic)과 의도 에이전트의 도입이 맥락적 불일치를 효과적으로 완화하며, 면접이나 야외 활동과 같은 다양한 사용자 의도에 대해 높은 정합성을 보임을 확인하였다.
이러한 한계를 극복하기 위해, 본 연구에서는 시각 에이전트(VA), 관계 에이전트(RA), 그리고 의도 에이전트(IA)로 구성된 의도 중심의 자율 협업 환경을 도입한다. 제안된 시스템은 MAPPO(Multi-Agent Proximal Policy Optimization) 알고리즘을 활용하여 의류 간의 복잡한 세만틱 의존성을 포착하고, 계층적인 의사결정 프로세스를 수행한다. 나아가, 다차원 세만틱 벡터 공간 내에 동적 강화학습 보상(Dynamic Rewards) 체계를 통합함으로써, 사용자 피드백에 따른 실시간 추천 업데이트가 가능하도록 설계하였다.
Fashion-MNIST 샘플 데이터를 활용한 실험적 평가 결과, 제안된 프레임워크는 학습 수렴 속도와 추천 정확도(Hit Rate 및 MRR)를 유의미하게 향상시켰다. 특히 중앙 크리틱(Centralized Critic)과 의도 에이전트의 도입이 맥락적 불일치를 효과적으로 완화하며, 면접이나 야외 활동과 같은 다양한 사용자 의도에 대해 높은 정합성을 보임을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-096284752
