PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.06214v1cs.AI

단일 및 다중 에이전트 인간-AI 호기심 생태계를 위한 토이 프레임워크

A toy framework for single and multi-agent human-AI curiosity ecosystems

호기심을 하나의 생태계로 보는 개념적 토이 프레임워크로, 단일 에이전트의 탐문 정책을 즉각적 불확실성 감소, 비용, 지연 보상, 질문 개방 가치의 가중합으로 정식화하고 경험에 따른 선호 편향(preference drift)을 모델링한다. 나아가 이를 다수 에이전트가 공유 지식 지형을 탐색하는 집단 수준으로 확장하여, 탐문 규모·주제 다양성·프런티어 지향성·지식 재사용성 등 집단적 호기심 생태학(curiosity ecology)을 분석하는 기반을 제공한다.

arXiv:2604.18701v3cs.LG

Curiosity-Critic: Cumulative Prediction Error Improvement as a Tractable Intrinsic Reward for World Model Training

분류는 cs.LG/cs.AI/stat.ML 맥락으로, 제목·초록의 기술적 주장·수치·한계를 그대로 유지해 한국어로 옮깁니다. ```json {"title_ko": "Curiosity-Critic: 월드 모델 학습을 위한 계산 가능한 내재 보상으로서의 누적 예측 오류 개선", "abstract_ko": "국소적 예측 오류 기반 호기심 보상은 방문한 모든 전이에 걸친 월드 모델의 누적 예측 오류를 고려하지 않고 현재 전이에만 초점을 맞춘다. 우리는 이 누적 목적함수의 개선에 내재 보상을 기반으로 하는 Curiosity-Critic을 제안하고, 이것이 계산 가능한 단계별 대리(surrogate)를 허용함을 보인다. 즉, 현재 예측 오류와 현재 상태 전이의 점근적 오류 기준선 사이의 차이다. 이 오류 기준선은 월드 모델과 함께 공동 학습되는 학습된 critic으로 온라인에서 추정한다. critic은 전이를 예측하기 얼마나 어려운지만 학습하면 되므로, 줄일 수 없는 노이즈 바닥에 대한 추정값은 월드 모델이 포화되기 훨씬 전에 수렴하여, 탐험을 학습 가능한 전이로 재지향한다. 보상은 학습 가능한 전이에 대해 더 높고 확률적인(stochastic) 전이에 대해서는 0에 가까워져, 온라인으로 인식적(epistemic, reducible) 예측 오류와 우연적(aleatoric, irreducible) 예측 오류를 분리한다. Schmidhuber (1991)부터 학습된 특징 공간 변형까지, 기존의 예측 오류 기반 호기심 공식화는 이 오류 기준선의 특정 근사에 해당하는 특수 사례로 나타난다. 확률적 그리드 월드에서의 실험은 Curiosity-Critic이 예측 오류, 방문 횟수, Random Network Distillation 방법보다 학습 속도와 최종 월드 모델 정확도에서 우수함을 보여준다."} ```