변화 지점이 알려지지 않은 비정상적인 환경에서 깊은 강화 학습을 위한 행동 인식 접근법

깊은 강화 학습은 다양한 분야에서 사용되지만, 보통 환경이 전이 및 상태 분포와 같은 정적 조건을 가진다는 가정 하에 이루어집니다. 이 가정이 충족되지 않을 경우 성능이 저하됩니다. 이러한 이유로 지속적인 환경 변화를 추적하고 예측할 수 없는 조건에 적응하는 것은 문제이면서도 중요합니다. 이는 시스템이 실제 시나리오에서 신뢰성과 유연성을 유지하도록 보장하기 때문입니다. 우리의 연구는 환경 변화 감지와 행동 적응을 결합한 혁신적인 프레임워크인 행동 인식 감지 및 적응(BADA)을 소개합니다. 우리 방법의 주요 영감은 정책이 변화하는 환경에서 서로 다른 전 세계적 행동을 나타낸다는 것입니다. 구체적으로, 환경 변화는 수동으로 설정된 임계값 없이 Wasserstein 거리를 사용하여 행동 간의 변화를 분석하여 식별됩니다. 모델은 변화의 정도에 따라 행동 정규화를 통해 새로운 환경에 적응합니다. 일련의 실험 결과는 여러 현재 알고리즘에 비해 더 나은 성능을 보여줍니다. 이 연구는 이 오랜 문제를 해결할 수 있는 상당한 잠재력을 나타냅니다.