KSC 2020
Current Result Document :
| 한글제목(Korean Title) |
의미론적 제약 기반 뉴로-논리 강화학습의 최적화 |
| 영문제목(English Title) |
Semantic Constraint Based Optimization for Neural-Logic Reinforcement Learning |
| 저자(Author) |
강민교
이석준
김인철
Minkyo Kang
Seokjun Lee
Inchel Kim
|
| 원문수록처(Citation) |
VOL 47 NO. 02 PP. 0508 ~ 0510 (2020. 12) |
한글내용
(Korean Abstract) |
벡터 표현법 기반의 심층 강화학습은 보다 일반화된 정책을 학습하는데 한계가 있고, 학습된 정책을 사람이 해석하기도 어렵다는 문제가 있다. 이 문제를 극복하기 위해 소개된 뉴로-논리 강화학습(NLRL)은 일차 술어 논리 기반의 새로운 강화학습 프레임워크를 제시하였다. NLRL은 상태, 행동, 그리고 행동 정책을 모두 논리 서술자와 규칙들로 표현함으로써, 보다 일반화된 행동 정책 학습도 가능하고 학습된 정책의 설명 가능성도 높일 수 있다. 하지만 현재의 NLRL은 미리 정해 놓은 템플릿에 따라 생성 가능한 모든 서술자와 규칙들을 만들어 상태-행동 공간과 정책 공간을 표현한다. 학습이 진행되면서 평가에 따라 불필요한 상태-행동 서술자나 정책 규칙들이 점진적으로 제거되기는 하지만, 상당히 많은 계산 자원이 의미 없는 서술자와 규칙들에 낭비되어 매우 낮은 효율성을 보이고 있다. 본 논문에서는 이러한 NLRL의 비효율성을 해결하고자, 서술자와 규칙에 관한 의미론적 제약을 미리 정의하고 이를 상태-행동 공간과 정책 공간의 최적화에 활용하는 방안을 제시한다. 블록 조작 작업을 이용한 다양한 실험을 통해, 본 논문에서 제안하는 NLRL 최적화 방안의 긍정적 효과를 입증한다.
|
영문내용
(English Abstract) |
|
| 키워드(Keyword) |
|
| 파일첨부 |
PDF 다운로드
|
