• Journal of the Society of Disaster Information
• /
• v.10 no.2
• /
• pp.264-273
• /
• 2014

The purpose of the study is to demonstrate the effects of revolutional leadership of manager at private security organization on members' learning directivity and organizational innovation behavior. The results attained from studying method and procedure as mentioned above are in the following. First, the revolutional leadership of manager at private security service organization influence learning directivity. That is, the more he or she shows revolutional leadership, the more enhanced the learning directivity of members. Second, the revolutional leadership of manager at private security service organization has effects on organizational innovation behavior. Thatis, the more he or she shows revolutional leadership the more enhanced organizational innovation behavior. Third, learning directivity of manager at private securitys service organization influences organizational innovation behavior. Thatis, the more he or she shows learning directivity, the more enhanced organizational innovation behavior. Taken all, revolutional leadership of manager at private security service organization affects organizational innovation behavior through learning directivity. It is shown that learning directivity is a key variable connecting revoultional leadership with organization al innovation behavior.

• Proceedings of the Korean Information Science Society Conference
• /
• 2007.06c
• /
• pp.303-308
• /
• 2007

최근에 제안된 감독 지식을 융합하는 강화 학습 기법인 potential-based RL 기법의 효용성은 이론적 최적 정책으로의 수렴성 보장으로 증명되었고, policy-reuse RL 기법의 우수성은 감독지식을 융합하지 않는 기존의 강화학습과 실험적인 비교를 통하여 증명되었지만, policy-reuse RL 기법을 potential-based RL 기법과 비교한 연구는 아직까지 제시된 바가 없었다. 본 논문에서는 potential-based RL 기법과 policy-reuse RL 기법의 실험적인 성능 비교를 통하여 기법이 policy-reuse RL 기법이 policy-reuse RL 기법에 비하여 더 빠르게 수렴한다는 것을 보이며, 또한 policy-reuse RL 기법의 성능은 재사용하는 정책의 optimality에 영향을 받는다는 것을 보인다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.23-24
• /
• 2018

스마트 팩토리의 핵심 요소 중 하나인 AGV를 운용하기 위해서 스케줄링은 간과할 수 없는 문제이다. 기존의 정적인 휴리스틱 방식은 실시간으로 운용되는 스마트 팩토리에 다소 부적합한 면이 있다. 본 논문에서는 이러한 스케줄링에 관한 문제를 해결하고자 SLAM 기반의 자율주행 AGV를 운용 할 수 있는 3D 가상 환경을 설계하고 해당 환경에서 강화학습을 기반으로 한 스케줄링을 구현해 실시간으로 변화하는 공장에 적합한 동적인 스케줄링을 설계하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.47-48
• /
• 2018

본 논문에서는 NP-hard 문제로 알려진 잡샵 스케쥴링에 대하여 강화학습적 측면에서 접근하는 방식에 대해 제안한다. 다양한 시간이 소요되는 업무들이 가지는 특징들을 최대한 state space aggregation에 고려하고, 이를 neural network를 통해 최적화 시간을 줄이는 방식이다. 잡샵 스케쥴링에 대한 솔루션은 미래에 대한 예측이 불가능하고 다양한 시간이 소요되는 스케쥴링 문제를 최적화하는 것에 대한 가능성을 제시할 것으로 기대된다.

• The KIPS Transactions:PartB
• /
• v.10B no.3
• /
• pp.249-256
• /
• 2003

The most important problems in the multi-agent system are to accomplish a goal through the efficient coordination of several agents and to prevent collision with other agents. In this paper, we propose a new control strategy for succeeding the goal of the prey pursuit problem efficiently. Our control method uses reinforcement learning to control the multi-agent system and consider the distance as well as the space relationship between the agents in the state space of the prey pursuit problem.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.05a
• /
• pp.388-391
• /
• 2018

최근, 자산 매매 및 포트폴리오에 인공지능을 활용한 연구들이 활발히 진행되고 있다. 본 논문은 기존 재귀 강화학습(Recurrent Reinforcement Learning)을 기반으로 한 운용 모델의 성능을 향상시키고자 자산들의 예측값을 사용한다. 예측값 사용 유무에 따른 재귀 강화학습의 성능을 비교분석을 통하여 예측값의 활용이 포트폴리오 운용 성능에 미치는 효과에 대해 분석하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.04a
• /
• pp.822-823
• /
• 2015

본 논문에서는 휴머노이드 로봇이 더욱 지능적으로 보행할 수 있도록 강화학습을 적용하는 방법을 제안한다. 강화학습을 활용하면 로봇의 이동 경로에 동적으로 이동하는 장애물이 있을 경우 이를 인지하고 회피하여 목적지까지 문제 없이 이동할 수 있다. 실제 환경에서의 실험에 앞서 Unity3D를 활용한 가상 환경에서 이를 구현하여 실험해보았다.

• Electronics and Telecommunications Trends
• /
• v.34 no.6
• /
• pp.87-99
• /
• 2019

Reinforcement learning is a type of machine learning paradigm that forces agents to repeat the observation-action-reward process to assess and predict the values of possible future action sequences. This allows the agents to incrementally reinforce the desired behavior for a given observation. Thanks to the recent advancements of deep learning, reinforcement learning has evolved into deep reinforcement learning that introduces promising results in various control and optimization domains, such as games, robotics, autonomous vehicles, computing, industrial control, and so on. In addition to this trend, a number of programming libraries have been developed for importing deep reinforcement learning into a variety of applications. In this article, we briefly review and summarize 10 representative deep reinforcement learning libraries and compare them from a development project perspective.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.227-232
• /
• 2021

사실 검증(Fact verification) 문제는 문서 검색(Document retrieval), 증거 선택(Evidence selection), 증거 검증(Claim verification) 3가지 단계로 구성되어있다. 사실 검증 모델들의 주요 관심사인 증거 검증 단계에서 많은 모델이 제안되는 가운데 증거 선택 단계에 집중하여 강화 학습을 통해 해결한 모델이 제안되었다. 그래프 기반의 모델과 강화 학습 기반의 사실 검증 모델을 소개하고 각 모델을 한국어 사실 검증에 적용해본다. 또한, 두 모델을 같이 사용하여 각 모델의 장점을 가지는 부분을 병렬적으로 결합한 모델의 성능과 증거의 구성 단위에 따른 성능도 비교한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.07a
• /
• pp.135-136
• /
• 2022

메타버스란 가공, 추상을 의미하는 메타(Meta)와 현실을 의미하는 유니버스(Unvierse)의 합성어이며 가상의 3차원을 뜻한다. 현재 메타버스는 4차 산업혁명의 중요 트렌드로 지목되어지고 있으며 다양한 기업들의 투자 또한 지속적으로 증가하는 추세이다. 이중 게임은 메타버스에서 가장 많은 비중을 차지하고 있으나 아직까지 메타버스 게임의 신뢰도가 높지 않으며 현재 출시되었거나 앞으로 출시될 게임들에 대한 적합한 테스트 기법이 필요한 실정이다. 이에 본 논문에서는 메타버스를 기반으로 하는 게임 테스팅에 강화학습 에이전트를 활용하는 방안에 대해 제안한다.