이 연구는 모방 학습 에이전트의 일반화 성능 향상을 위해 데이터 증강 기법을 적용하는 것을 다룹니다.
먼저, 훈련 환경에서 데모 데이터를 수집하였습니다. 이후 다양한 데이터 증강 기법을 적용하여 모델을 학습시켰습니다. 그리고 4개의 테스트 환경에서 증강된 모델의 성능을 평가하였습니다.
실험 결과, 데이터 증강을 적용한 모델이 기본 모델에 비해 최대 80%까지 성능이 향상되었습니다. 특히 스케일링, 상태 믹스업, 연속 드롭아웃 등의 증강 기법이 일관되게 우수한 성능을 보였습니다. 반면 의미론적 드롭아웃은 오히려 성능을 저하시켰습니다.
이 연구는 모방 학습 에이전트의 일반화 성능 향상을 위한 데이터 증강 기법의 활용 가능성을 보여줍니다. 특히 게임 AI 분야에서 이러한 기법을 적용하면 자동화된 게임 테스팅 등에 활용할 수 있을 것으로 기대됩니다.
To Another Language
from source content
arxiv.org
Deeper Inquiries