PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2510.26672v3stat.ML

연속 시간 제어를 위한 행동 기반 프로세스

Action-Driven Processes for Continuous-Time Control

강화학습(RL)의 핵심에는 환경에 대한 관측에 반응하여 내리는 결정인 행동(action)이 있습니다. 행동은 불연속적인 상태 전이를 유발하고 크고 복잡한 시스템을 통한 정보 흐름을 가능하게 하므로 확률 과정(stochastic process) 모델링에서도 똑같이 근본적인 요소입니다. 본 논문에서는 행동 기반 프로세스(action-driven process)를 통해 확률 과정과 강화학습의 관점을 통합하고, 스파이킹 신경망(spiking neural networks)에 대한 적용 사례를 제시합니다. 제어를 추론으로 다루는 '추론으로서의 제어(control-as-inference)' 개념을 활용하여, 적절히 정의된 행동 기반 프로세스에서 정책 기반 참 분포와 보상 기반 모델 분포 간의 쿨백-라이블러 발산(Kullback-Leibler divergence)을 최소화하는 것이 최대 엔트로피 강화학습과 동등함을 보여줍니다.