RnDCircle Logo
arrow left icon

Artificial Intelligence & Probabilistic Reasoning Lab

한국과학기술원 본교(제1캠퍼스) 김재철AI대학원

김기응 교수

Policy Optimization

Bayesian Learning

Multi-Agent Systems

V3_minor

Artificial Intelligence & Probabilistic Reasoning Lab

김재철AI대학원 김기응

Artificial Intelligence & Probabilistic Reasoning Lab(김재철AI대학원)는 강화 학습과 다중 에이전트 시스템 분야에서 두각을 나타내고 있습니다. 최근 3년간 다양한 연구 프로젝트와 논문 발표를 통해 이 분야에서의 연구 역량을 입증하였습니다. 특히, 'Decentralized POMDPs를 위한 포인트 기반 유한 정책 반복'과 '결정론적 강화 학습 정책의 샘플 외 평가를 위한 커널 메트릭 학습' 등의 연구는 학계와 산업계에서 큰 주목을 받았습니다. 또한, '조건부 확산 모델을 사용한 목표 조건 오프라인 RL'과 '다중 뷰 강화 학습을 위한 정보 이론적 상태 공간 모델' 등의 프로젝트를 통해 실질적인 문제 해결에 기여하고 있습니다. 이러한 연구 성과는 다양한 기업과의 협업을 통해 실제 산업에 적용되고 있으며, 앞으로도 지속적인 연구와 혁신을 통해 인공지능 분야의 발전에 기여할 것입니다.

Policy Optimization
Bayesian Learning
Multi-Agent Systems
목표 조건 오프라인 강화학습
Artificial Intelligence & Probabilistic Reasoning Lab은 목표 조건 오프라인 강화학습 분야에서 두드러진 성과를 내고 있습니다. 이 연구는 주어진 목표를 달성하기 위해 과거의 경험에서 추출한 하위 경로들을 연결하는 방법을 연구합니다. 최근 연구에서는 조건부 확산 모델을 사용하여 목표 조건 하에 하위 경로를 적절히 연결하는 기술을 개발하였습니다. 이러한 접근법은 정책 학습의 효율성을 크게 개선하며, 특히 실제 환경에서의 적용 가능성을 높이는 데 기여하고 있습니다. 또한, 강화학습 정책 평가를 위한 커널 메트릭 학습을 통해 결정론적 정책의 성능을 평가하는 데 있어서도 중요한 진전을 보였습니다. 이 연구는 인공지능과 확률적 추론을 결합하여 복잡한 결정 문제를 효과적으로 해결하는 데 중점을 두고 있습니다.
1
Kernel Metric Learning for In-Sample Off-Policy Evaluation of Deterministic RL Policies
Haanvid Lee, Tri Wahyu Guntara, Jongmin Lee, Yung-Kyun Noh, Kee-Eung Kim
International Conference on Learning Representations (ICLR), 2024
2
Stitching Sub-Trajectories with Conditional Diffusion Model for Goal-Conditioned Offline RL
Sungyoon Kim, Yunseon Choi, Daiki E. Matsunaga, Kee-Eung Kim
AAAI Conference on Artificial Intelligence, 2024
3
해석 가능한 프롬프트 최적화에 관한 강화학습 연구
최윤선, 반성현, 김기응
한국소프트웨어종합학술대회(KSC), 2023