Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LPPG-RL: Lexicographically Projected Policy Gradient Reinforcement Learning with Subproblem Exploration

Created by
  • Haebom
Category
Empty

저자

Ruiyu Qiu, Rui Wang, Guanghui Yang, Xiang Li, Zhijiang Shao

개요

본 논문은 여러 상충되는 하위 과제에 명시적인 우선순위가 존재하는 사전식 다중 목표 문제를 해결하기 위한 새로운 강화 학습 프레임워크인 Lexicographically Projected Policy Gradient RL (LPPG-RL)을 제안한다. LPPG-RL은 연속 공간에서 모든 정책 경사 알고리즘과 호환되며, 정책 업데이트 방향을 식별하기 위해 순차적인 경사 투영을 활용한다. Dykstra의 투영을 사용하여 속도를 향상시키고, Subproblem Exploration (SE)을 도입하여 경사 소실을 방지하고 수렴 속도를 높이며 안정성을 향상시킨다. 2D 탐색 환경에서 실험을 통해 기존의 최첨단 연속 LMORL 방법보다 우수함을 입증한다.

시사점, 한계점

•
시사점:
◦
연속 공간에서 사전식 다중 목표 강화 학습 문제를 해결하는 새로운 프레임워크 제시.
◦
정책 경사 알고리즘과의 호환성을 통해 유연성을 확보.
◦
Dykstra의 투영을 사용하여 계산 효율성을 향상.
◦
Subproblem Exploration (SE)을 통해 학습 안정성 및 수렴 속도 개선.
◦
이론적 수렴 보장 및 정책 개선에 대한 하한 설정.
◦
기존 방법 대비 우수한 성능 입증.
•
한계점:
◦
특정 환경 (2D 탐색) 에서의 실험 결과만 제시.
◦
다른 복잡한 환경에서의 성능 검증 필요.
◦
모델의 확장성 및 일반화 능력에 대한 추가 연구 필요.
👍
Made with Slashpage