AI Briefing#reinforcement-learning
#reinforcement-learning와 관련된 AI·개발 뉴스를 최신순으로 모았습니다. 원문 출처와 한국어 요약을 함께 확인할 수 있습니다.
#reinforcement-learning와 관련된 AI·개발 뉴스를 최신순으로 모았습니다. 원문 출처와 한국어 요약을 함께 확인할 수 있습니다.
Sakana AI가 역전파 없이 Dale의 원리를 준수하며 학습 가능한 Error Diffusion 기법을 발표했다.
잘 설계된 LLM 하네스(RLM)가 짧은 태스크 학습만으로 8~32배 긴 태스크와 새로운 도메인에 일반화됨을 실험으로 입증했다.
LenVM은 토큰 단위로 남은 생성 길이를 예측하여 LLM의 추론 효율성과 성능을 최적화한다.
Dale의 원칙을 따르면서도 Weight Transport 문제 없이 학습 가능한 새로운 신경망 학습 메커니즘을 제안했다.
NVIDIA Vera Rubin이 Post-Training 워크로드의 Intelligence per Dollar를 극대화하며 Agentic AI 시대의 경제성을 선도한다.
Decision Transformer는 강화학습 문제를 시퀀스 모델링 문제로 변환하여 Transformer 구조를 통해 안정적인 정책 학습을 구현한다.
매개 변수화된 하위 작업 그래프 추론(PSGI)을 통해 학습하지 않은 새로운 개체와 작업에 대한 AI의 일반화 성능을 높였다.
ICML 2022에서 발표된 신경 조합 최적화(NCO) 연구를 통해 대규모 그래프 데이터 처리를 위한 LeNSE 방법론을 소개한다.
IJCAI 2022를 통해 강화 학습, 연합 학습, 인과 추론 등 최신 AI 연구 트렌드를 분석했다.
상태 정보만 있는 전문가 시연을 활용해 오프라인 환경에서도 안정적으로 학습할 수 있는 새로운 모방학습 방법론을 제안했다.
강화학습(RL)과 그래프 신경망(GNN)을 결합하여 복잡한 데이터를 처리하고 범용적인 정책을 학습하는 연구를 소개한다.
상태 정보만을 이용해 전문가의 행동을 모방하는 오프라인 관찰 학습(LfO)의 안정성을 높이는 새로운 알고리즘을 제안한다.
NeurIPS 2023에서 발표된 RLHF 및 RLAIF의 최신 연구 동향과 주요 논문을 소개한다.
LLM의 성능 향상을 위한 RLHF 및 RLAIF의 최신 연구 트렌드와 DPO, Fine-Grained RLHF 방법론을 소개한다.
비동기적 환경에서 에이전트 간 관측 시점 차이를 극복하기 위해 AOCC 구조를 제안하여 MARL 학습 효율을 높였다.
LG AI Research가 AAMAS 2024에서 실세계 문제 해결을 위한 Multi-Agent Reinforcement Learning(MARL) 적용 사례를 발표했다.
LG AI Research가 ICML 2024에서 강화 학습과 확산 모델을 결합해 조합 최적화 문제를 해결하는 CADO 연구를 발표했다.
LG AI연구원이 확산 모델과 강화학습을 결합해 조합 최적화 문제를 해결하는 CADO 연구를 ICML 2024에서 발표했다.
LG AI Research가 복잡한 산업 현장에 최적화된 멀티 페이즈 강화학습 프레임워크와 RL-Studio를 선보였다.