LG AI Research 125

ICLR 2021에서는 딥러닝 모델의 표현, 학습 및 최적화를 다루는 다양한 연구가 발표되었다. 특히 최근 강화학습 연구는 단순한 컴퓨터 게임을 넘어 로봇 제어(Robotics) 및 목표 도달 과제와 같이 산업 현장에 적용 가능한 실세계 문제로 초점이 이동하고 있다.

본 글에서는 실세계 문제 해결을 위한 강화학습 연구를 두 가지 핵심 주제로 분류하여 소개한다.

1. Unsupervised Reinforcement Learning (비지도 강화학습): 보상이 희소한(Sparse reward) 환경에서 발생하는 학습의 어려움을 해결하기 위한 연구.
2. Reinforcement Learning with Self-Supervision (자기지도 강화학습): 이미지와 같은 시각적 입력을 통해 학습 효율성과 강건성(Robustness)을 높이는 연구.

특히 실세계 환경에서는 보상을 정의하기 어렵거나 매우 추상적인 경우가 많다. 예를 들어 로봇 팔이 물체를 집는 동작을 학습할 때, 성공/실패라는 이진 보상만으로는 복잡한 과정을 학습하기 어렵다. 이를 해결하기 위해 인간의 개입을 최소화하는 방향으로 연구가 진행되고 있다.