Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
불확실한 환경에서의 의사결정 모델인 MDP를 위한 온라인 통계적 모델 검증 방법을 제안합니다. 기존의 합집합 경계 방식보다 효율적인 신뢰 구간 시퀀스를 통해 기존 기술 대비 샘플 요구량을 평균 50배 절감했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기마르코프 결정 과정 (Markov decision processes, MDPs)은 비결정론적 선택과 확률적 불확실성을 모두 나타내는 불확실성 하에서의 의사결정을 위한 고전적인 모델입니다. 전통적으로는 기저에 깔린 확률에 대한 정확한 지식이 있다고 가정합니다. 그러나 사이버 물리 시스템 (cyber-physical systems)이나 생물학적 과정을 모델링할 때와 같이, 이는 종종 비현실적입니다. 여기서 통계적 방법은 의미 있는 보장을 얻기 위한 방법을 제공합니다. 고전적인 접근 방식은 MDP에서 샘플을 수집하고, 이를 사용하여 전이 확률 (transition probabilities)에 대한 통계적 결론을 도출하며, 이를 통해 실제 값에 대한 경계 (bounds)를 얻는 것입니다. 만약 이 경계가 너무 넓다면, 이 과정을 반복합니다. 그러나 이러한 접근 방식의 기존 구현체들은 미묘하게 부정확하거나 최적화되지 않았으며, 종종 두 가지 문제 모두를 가지고 있습니다. 우리는 이러한 "온라인 (online)" 설정에 특화되어 설계된 여러 "신뢰 구간 시퀀스 (confidence sequences)"를 제시하고, 이를 효율적인 도구로 모두 구현하며, 그 실질적인 적용 가능성을 보여줍니다. 특히, 우리는 이것들이 고전적인 "합집합 경계 (union-bound)" 스타일의 접근 방식보다 성능이 뛰어남을 보여주며, 전반적으로 우리의 구현은 기존의 최첨단 (state of the art) 기술보다 평균적으로 50배 적은 샘플을 필요로 합니다.