PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26574v1cs.LG

복잡한 행동 공간에 대한 행동 인수분해 재고찰

Revisiting Action Factorization for Complex Action Spaces

복잡한 하이브리드 이산-연속 행동 공간에서 독립 네트워크, VDN, QPLEX, Auto-Regressive 등 행동 인수분해(factorization) 방법을 PPO·SAC·DQN과 세 가지 행동 공간 설정으로 경량 환경 네 곳에서 횡단 비교하고, 분기 크리틱(branching critic)을 쓰는 VDN-PPO와 PPO-MIX를 제안한다. 분기 듀얼링 구조가 계산 비용과 성능의 균형이 가장 좋고 제안 PPO 변형이 다른 PPO 인수분해보다 우수하며, Auto-Regressive가 전체 최고 성능, 네이티브 연속 SAC가 이산·하이브리드보다 뛰어나지만 두 방식 모두 계산 비용이 더 크다.