인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
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
- 저자정보
피인용 0
초록·키워드
컨텍스트 기반 오프라인 메타 강화학습 (Context-based Offline Meta-RL, COMRL)은 정적 데이터만으로 새로운 태스크에 빠르게 적응하는 에이전트를 학습한다. 그러나 기존 방법들은 컨텍스트를 수집하는 행동 정책이 학습 분포와 다르면 정책이 학습된 적 없는 잠재에서 실행되어 성능이 붕괴하고, 이를 보완하는 고정 계수 비관주의는 환경별 튜닝과 과보수화 문제를 낳는다. 본 논문이 제안하는 DELPHI는 잠재 공간을 외삽한 뒤 디코더 앙상블의 합성 롤아웃으로 정책을 학습 분포 밖 잠재에서 미리 단련하되, 롤아웃을 따라 누적한 앙상블 불일치 (정보 드리프트)를 z-점수로 정규화하고 임계 초과분에만 비선형 게이트로 페널티를 부과하여 신뢰도가 낮은 합성 신호를 억제한다. 게이트는 정상 영역에서 페널티를 0으로 두어 분포 내 성능을 보존하고, 롤아웃 구조 파라미터는 환경별로 설정하되 정규화의 스케일 불변성 덕분에 게이트 상수에 한하여 전 환경 단일 값으로 공유되어 환경별 페널티 계수 탐색을 대체한다. MuJoCo 4개 환경의 행동 정책 분포 밖 (out-of-distribution, OOD) 평가에서 DELPHI는 최신 베이스라인을 일관되게 상회하였다.
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
