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.

MisoDICE: Multi-Agent Imitation from Unlabeled Mixed-Quality Demonstrations

Created by
  • Haebom

저자

The Viet Bui, Tien Mai, Hong Thanh Nguyen

개요

본 논문은 다중 에이전트 협력 환경에서의 오프라인 모방 학습(IL)을 연구합니다. 데이터셋에 전문가 수준과 비전문가 수준의 경로가 섞여 있는 상황에서, 두 단계로 구성된 해결책을 제시합니다. 첫 번째 단계는 대규모 언어 모델과 선호도 기반 강화 학습을 결합하여 전문가 수준의 경로를 구분하는 점진적 레이블링 파이프라인을 구축합니다. 두 번째 단계에서는 새로운 값 분해 및 믹싱 아키텍처를 사용하여 다중 에이전트 환경에 기존 DICE 프레임워크를 확장한 MisoDICE 알고리즘을 제시합니다. MisoDICE는 볼록한 정책 최적화 목표를 생성하고 전역 및 지역 정책 간의 일관성을 보장합니다. 다양한 다중 에이전트 강화 학습 벤치마크에서 평가하여, 특히 전문가 데이터가 부족할 때 우수한 성능을 보임을 입증합니다.

시사점, 한계점

시사점:
혼합 품질의 데이터를 포함하는 다중 에이전트 협력 환경에서의 오프라인 모방 학습 문제에 대한 효과적인 해결책 제시.
대규모 언어 모델과 선호도 기반 강화 학습을 결합한 점진적 레이블링 파이프라인의 효용성 증명.
기존 DICE 프레임워크를 다중 에이전트 환경으로 확장한 MisoDICE 알고리즘의 우수한 성능 검증.
전문가 데이터 부족 상황에서도 높은 성능 유지.
한계점:
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
다양한 협력 유형 및 복잡성을 가진 환경에 대한 적용성 검증 필요.
대규모 언어 모델과 선호도 기반 강화 학습의 활용에 따른 계산 비용 및 데이터 의존성 문제 고려 필요.
👍