Inverse Reinforcement Learning

역강화학습

관찰한 행동으로부터 그 행동을 낳은 보상 함수를 거꾸로 추정하는 기계학습 방법이다.

기사 1편최근 언급

Inverse Reinforcement Learning(IRL, 역강화학습)은 agent의 행동 시연을 관찰해 그 행동이 최적이 되게 하는 보상 함수를 추정하는 기계학습 방법이다. 주어진 보상 함수로부터 정책을 배우는 reinforcement learning(강화학습)과 방향이 반대다. 2000년 Andrew Ng과 Stuart Russell이 'Algorithms for Inverse Reinforcement Learning' 논문에서 정식화했다.

보상 함수를 사람이 직접 설계하기 어려운 로봇 제어, 자율주행, 사람의 선호 추정 등에 쓰인다. 전문가의 행동을 그대로 따라 배우는 imitation learning(모방 학습)과 달리 행동 뒤에 있는 목표 자체를 복원하려 하며, 사람의 피드백으로 보상 모델을 학습하는 RLHF의 이론적 배경이기도 하다.

이 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리했습니다. 잘못된 내용이 있으면 정정 요청으로 알려 주세요.

이 항목을 다룬 기사

  • AI가 종료를 거부하는 이유, off-switch game이 짚는 불확실성 조건AI 윤리 ·

    그래서 2000년 Andrew Ng과 Stuart Russell이 IRL(Inverse Reinforcement Learning, 사람의 시연을 관찰해 숨은 보상 함수를 거꾸로 추정하는 방법)을 제안했습니다.

    기사 읽기

설명이 잘못되었거나 찾는 항목이 없나요?

위키 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리합니다. 잘못된 설명은 정정 요청으로 알려 주시면 확인해 고칩니다. 새 기사에 나온 이름은 기사가 올라온 뒤 위키에 더해집니다.