최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Baybars Ali Fil, Recep Boncukcuoglu, Alper Erdem Yilmaz, Serkan Bayar
2012 / Korean Journal of Chemical Engineering
Gang Wang, Jian Xiao, Rui Xue, Yongting Yuan
2022 / International Journal of Control, Automation, and Systems
데이터가 존재하지 않습니다.
loading...
본 논문은 포식자 집단과 피해자 집단 간의 대립 및 집단 내 협력 방법을 제시하고, 다중 집단 다중 에이전트 시스템을 구축합니다. 피해자 집단은 군집 제어 알고리즘을 사용하여 협력적으로 포식자를 회피하고 집단의 완전성을 유지하며, 포식자 집단은 분산 강화 학습 알고리즘을 기반으로 자율적인 의사 결정을 수행합니다.
Distributed artificial intelligence meets machine learning : learning in multi-agent environments : ECAI '96 Workshop LDAIS, Budapest, Hungary, August 13, 1996, ICMAS '96 Workshop LIOME, Kyoto, Japan, December 10, 1996 : selected papers
Adaption and learning in multi-agent systems : IJCAI'95 workshop, Montréal, Canada, August 21, 1995, proceedings
Multi-agent systems : theories, languages, and applications : 4th Australian Workshop on Distributed Artificial Intelligence, Brisbane, Qld., Australia, July 13, 1998 : proceedings
Cooperative control : a post-workshop volume: 2003 block island workshop on cooperative control
Distributed software agents and applications : 6th European Workshop on Modelling Autonomous Agents in a Multi-Agent World, MAAMAW'94, Odense, Denmark, August 3-5, 1994 : proceedings
Multi-agent machine learning : a reinforcement approach
From animals to animats 2 : proceedings of the Second International Conference on Simulation of Adaptive Behavior
ICMAS-95 : First International Conference on Multi-Agent Systems : proceedings, June 12-14, 1995, San Francisco, California
Cooperative control of distributed multi-agent systems
Approaches to intelligent agents : Second Pacific Rim International Workshop on Multi-Agents, PRIMA'99, Kyoto, Japan, December 2-3, 1999 : proceedings
Recent Advances in Reinforcement Learning
Distributed autonomous robotic systems 8
Iterative learning control for multi-agent systems coordination
Distributed Autonomous Robotic Systems : the 12th International Symposium
Cooperative control of multi-agent systems : theory and applications
Reinforcement learning : an introduction
Collective robotics : First International Workshop, CRW '98, Paris, France, July 4-5, 1998 : proceedings
Agents and multi-agent systems : formalisms, methodologies and applications : based on the AI'97 Workshops on Commonsense Reasoning, Intelligent Agents, and Distributed Artificial Intelligence, Perth, Australia, December 1, 1997
Reinforcement learning : state-of-the-art
Multi-agent rationality : 8th European Workshop on Modelling Autonomous Agents in a Multi-Agent World, MAAMAW'97, Ronneby, Sweden, May 13-16, 1997 : proceedings
International journal of advanced robotic systems
Young Z; Manh La HIEEE Transactions on Control Systems Technology, Control Systems Technology, IEEE Transactions on, IEEE Trans. Contr. Syst. Technol.
La, H.M.; Lim, R.; Sheng, W.New Journal of Physics
Li J.,Li L.,Zhao S.IEEE Robotics and Automation Letters
Revanth Konda; Hung Manh La; Jun ZhangIEEE Robotics and Automation Letters
Konda R.,La H.M.,Zhang J.Information Sciences
Li J.,Ji L.,Zhang C.,Li H.한국컴퓨터정보학회논문지
김민석Autonomous Agents and Multi-Agent Systems
He, K.; Doshi, P.; Banerjee, B.Procedia Computer Science
Moncef Tagina; Wiem ZemzemInternational Journal of Advanced Robotic Systems
Liu, X.IEEE Robotics and Automation Letters
Peiliang Wu; Liqiang Tian; Qian Zhang; Bingyi Mao; Wenbai ChenProcedia Computer Science
Zemzem, W.; Tagina, M.Vehicular Communications
Chandran, I.; Vipin, K.ACM Transactions on Autonomous and Adaptive Systems
Hao, J.; Leung, H.-F.; Ming, Z.Expert Systems with Applications
Kim H.T.,Park J.International Journal of Systems Science
Shihan Liu; Zhen Yu; Dongxu GaoInternational Journal of Control, Automation, and Systems
이동욱, 심귀보, 서상욱Journal of Theoretical Biology
Monter S.,Heuthe V.L.,Panizon E.,Bechinger C.APPLIED INTELLIGENCE
Oroojlooy, Afshin; Hajinezhad, DavoodIEEE Robotics and Automation Letters
Wu P.,Tian L.,Zhang Q.,Mao B.,Chen W.전선 / 대학원
상품유통에 대한 최근의 이론과 연구결과를 살펴보고 의류상품에서 특별하게 나타나는 유통상의 특성을 집중적으로 학습한다. 특히 리테일링의 다양한 형태, 전망, 형태별 전략 등을 이해하고, 우리나라 패션산업에서 유통부분의 발전을 위한 구체적인 방안을 모색한다.전선 / 대학원
다양한 무인시스템의 경로 계획과 임무 판단에 관한 기법을 학습한다. 특히 시스템의 특성을 고려한 모션 계획, 모션에 대한 구속 조건, 충돌 회피 경로의 계산, 모델예측제어 등의 제어 기법과 학습 알고리듬의 모션 계획 문제에의 응용, 임무 수행을 위한 판단 기법, 그리고 이와 관련된 최적화 기법 및 다중개체시스템의 모션 계획 문제로의 확장 등에 대해 배운다. 수강생들은 다양한 모션 계획 알고리듬을 구현, 구동해봄으로써 실제 시스템에 적용할 수 있는 능력을 기르고, 관련 분야의 최신 논문을 통해 모션 계획 기법의 발전 동향을 살펴본다.전선 / 대학원
다양한 무인시스템의 경로 계획과 임무 판단에 관한 기법을 학습한다. 특히 시스템의 특성을 고려한 모션 계획, 모션에 대한 구속 조건, 충돌 회피 경로의 계산, 모델예측제어 등의 제어 기법과 학습 알고리듬의 모션 계획 문제에의 응용, 임무 수행을 위한 판단 기법, 그리고 이와 관련된 최적화 기법 및 다중개체시스템의 모션 계획 문제로의 확장 등에 대해 배운다. 수강생들은 다양한 모션 계획 알고리듬을 구현, 구동해봄으로써 실제 시스템에 적용할 수 있는 능력을 기르고, 관련 분야의 최신 논문을 통해 모션 계획 기법의 발전 동향을 살펴본다.전선 / 대학원
본 강좌는 스토캐스틱 제어와 강화학습의 이론과 알고리즘에 대해 소개한다. 강좌의 첫 부분에서는 스토캐스틱 제어이론을 심도 있게 다룬다. 최적조건과 최적제어전략의 존재성뿐만 아니라, value and policy iteration 그리고 선형최적화를 이용한 해결방법에 대해 소개하고 분석한다. 두 번째 부분에서는 강화학습의 방법론을 다룬다. 특히, stochastic approximation 알고리즘을 기반으로 한 방법(예: Q-learning)들의 수렴조건 및 근사방법에 대해 학습한다. Policy gradient와 online learning 방법에 대해서도 소개하고, 여러 알고리즘들의 장단점에 대해 분석한다.전선 / 대학원
본 강좌는 스토캐스틱 제어와 강화학습의 이론과 알고리즘에 대해 소개한다. 강좌의 첫 부분에서는 스토캐스틱 제어이론을 심도 있게 다룬다. 최적조건과 최적제어전략의 존재성뿐만 아니라, value and policy iteration 그리고 선형최적화를 이용한 해결방법에 대해 소개하고 분석한다. 두 번째 부분에서는 강화학습의 방법론을 다룬다. 특히, stochastic approximation 알고리즘을 기반으로 한 방법(예: Q-learning)들의 수렴조건 및 근사방법에 대해 학습한다. Policy gradient와 online learning 방법에 대해서도 소개하고, 여러 알고리즘들의 장단점에 대해 분석한다.전선 / 대학원
강화학습은 자율 에이전트가 환경과의 상호작용을 통한 학습을 기반으로 하는 머신러닝의 한 연구분야이다. 이 수업에서는 우선 전통적인 강화학습 내용 (MDP, Value function, Policy gradient, UCB, exploration vs exploitation)을 다룬다. 그리고 최신 연구분야인 deep reinforcement learning을 다루기 위해 multi-layer perceptron, convolutional neural network, recurrent neural network 등의 deep learning에 관한 전반적인 내용들을 학습하고 나아가 raw input의 value function approximator를 이용한 강화학습에 대해 학습한다.전선 / 대학원
본 과정은 선형 시스템, 전달 함수, 라플라스 변환에 대하여 소개한다. 안정성과 피드백을 다루고 과도 응답 사양을 위한 기본 설계 도구를 제공한다. 또한 주파수 영역 기술도 간략하게 다룬다. 이 과정에는 컴퓨터 프로그래밍 실습 및 제어 설계 프로젝트가 포함된다. 실습 프로젝트에 관련된 전공은 조선해양공학은 물론 로봇공학, 기계공학, 전자공학, 전기공학, 산업응용수학 등이다.전선 / 대학원
강화학습은 자율 에이전트가 환경과의 상호작용을 통한 학습을 기반으로 하는 머신러닝의 한 연구분야이다. 이 수업에서는 우선 전통적인 강화학습 내용(MDP, Value function, Policy gradient, UCB, exploration vs exploitation)을 다룬다. 그리고 최신 연구분야인 deep reinforcement learning을 다루기 위해 multi-layer perceptron, convolutional neural network, recurrent neural network 등의 deep learning에 관한 전반적인 내용들을 학습하고 나아가 raw input의 value function approximator를 이용한 강화학습에 대해 학습한다.전선 / 학사
본 수업은 인간-AI 상호작용에 관한 이론적 기초와 최신 연구를 실제 적용 사례와 함께 균형 있게 다룬다. 학생들은 AI의 윤리, 편향과 공정성, 투명성 등 AI가 사회에 미치는 영향을 깊이 있게 학습하며, 인간 중심 AI 디자인의 중요성을 이해한다. 또한, 투명하고 신뢰할 수 있으며 공정한 AI 시스템을 설계하는 방법을 배운다. 실습 프로젝트를 통해 이를 통해 인간-AI 협업 및 의사결정 지원 시스템을 개발하고, AI 시스템의 사회적 영향에 대해 비판적으로 분석하며, 인간 중심의 가치를 고려한 AI 솔루션 설계 능력을 키울 수 있도록 한다.전선 / 대학원
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할 수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등을 설명한다.전선 / 대학원
본 교과목은 단순한 질의응답을 넘어, 스스로 목표를 설정하고, 도구를 사용하며, 복잡한 과업을 자율적으로 수행하는 ‘에이전트(Agentic)' AI의 설계 원리와 구현 방법론을 심층적으로 다룬다. 기존의 LLM(Large Language Model)이 가진 한계를 극복하고, LLM을 ‘추론 엔진'으로 활용하여 실제 세계와 상호작용하는 지능형 시스템을 구축하는 데 초점을 둔다. 수강생들은 단일 에이전트의 핵심 구성 요소인 사고-행동-관찰(Reasoning-Acting-Observation) 루프, 동적 도구 사용(Tool Use), 장단기 기억(Memory) 메커니즘을 학습한다. 나아가 여러 에이전트가 협력하여 인간의 개입을 최소화하면서 복잡한 문제를 해결하는 멀티 에이전트 시스템(Multi-Agent System)의 설계 패턴(예: 계층적, 협력적)과 통신 프로토콜을 배운다. LangChain, AutoGen, CrewAI와 같은 최신 프레임 워크를 활용한 실습을 통해, 에이전트 아키텍처 설계부터 정교한 프롬프트 체이닝, 실행 루프 구현까지의 전 과정을 경험하며, 차세대 AI 애플리케이션을 개발할 수 있는 실전 역량을 배양하는 것을 목표로 한다.전선 / 대학원
본 교과목은 단순한 질의응답을 넘어, 스스로 목표를 설정하고, 도구를 사용하며, 복잡한 과업을 자율적으로 수행하는 ‘에이전트(Agentic)' AI의 설계 원리와 구현 방법론을 심층적으로 다룬다. 기존의 LLM(Large Language Model)이 가진 한계를 극복하고, LLM을 ‘추론 엔진'으로 활용하여 실제 세계와 상호작용하는 지능형 시스템을 구축하는 데 초점을 둔다. 수강생들은 단일 에이전트의 핵심 구성 요소인 사고-행동-관찰(Reasoning-Acting-Observation) 루프, 동적 도구 사용(Tool Use), 장단기 기억(Memory) 메커니즘을 학습한다. 나아가 여러 에이전트가 협력하여 인간의 개입을 최소화하면서 복잡한 문제를 해결하는 멀티 에이전트 시스템(Multi-Agent System)의 설계 패턴(예: 계층적, 협력적)과 통신 프로토콜을 배운다. LangChain, AutoGen, CrewAI와 같은 최신 프레임 워크를 활용한 실습을 통해, 에이전트 아키텍처 설계부터 정교한 프롬프트 체이닝, 실행 루프 구현까지의 전 과정을 경험하며, 차세대 AI 애플리케이션을 개발할 수 있는 실전 역량을 배양하는 것을 목표로 한다.전필 / 대학원
자료를 모형화하는 통계적 방법으로 선형모형의 중요성을 다루는 것이 이 과목의 목적이다. 이론적인 측면도 공부하지만 주로 모형선택, 추정, 모형검증과 같은 방법론을 강조한다. 다루는 모형은 단순회귀, 다중회귀, 일차분산분석, 이차 분산분석 등을 다룬다. 추론을 위해 최소제곱방법을 주로 사용하지만 이와 관련하여 우도에 기초한 방법도 다루게 된다. 선형모형을 통한 자료의 모형을 위해 R을 이용한다.전선 / 대학원
현실에서 발생하는 최적화 문제는 많은 경우, 효율적인 알고리즘을 갖지 않는 NP-hard 문제이다. 본 강의에서는 우선 이러한 문제를 식별하는데, 기본이 되는 최적화 계산론, 다항 변환 등을 도입한다. 그리고 NP-hard 문제의 좋은 해를 효율적으로 구하는 다양한 접근법을 다룬다.전선 / 대학원
이 강좌는 인공지능에 대한 이해를 바탕으로 교육적 활용방안을 탐색하고 다양한 연령의 학습자를 대상으로 인공지능에 대한 교육을 효과적으로 실시하는 방안을 다룬다. 인공지능 기반 교육에 대한 최신 이론과 교육적 이슈를 체계적으로 검토하고 교육 분야에서 인간과 인공지능이 협업할 수 있는 방안을 논의한다.전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.전선 / 대학원
본 교과목에서는, 다수의 다양한 행위자들로 구성된 복잡한 사회경제체제를 다학제 관점으로 다루는 행위자기반모형의 기초를 제공한다. 본 교과목을 통해 학생들은 여러 보상체계에 따라 행위자들이 상호작용함으로써 사회경제연결망이 형성되는 과정을 배운다. 본 교과목은 이론부문과 실습부문으로 구성되어 있다. 이론 부문에서는 교과서와 최신 연구논문의 내용을 강의하고, 실습부문에서는 넷로고를 이용한 시뮬레이션 프로그래밍 과제를 수행한다. 본 교과목을 통해 학생들은 행위자의 조정과 협력, 그리고 복잡한 사회경제체제를 설계하기 위한 원리에 대해 이해할 수 있을 것이다.교양 / 학사
「베리타스 강좌 2: 베리타스 강좌 2: 수학과 데이터 사이언스로 보는 사회와 경영」는 자연과학적 모델과 사회과학적 이해를 융합하여 복잡한 사회 현상을 탐구하는 교과목이다. 물리학, 생물학에서 발전한 다양한 모델(네트워크 모델, 정보이론, 카오스이론, 스케일링 이론, 전염병모델 등)을 소개하고, 이들이 사회·경영·정치·도시학 등 인문사회 분야와 어떻게 연결되는지를 학습한다. 본 강좌의 차별성은 이과와 문과 학생이 협력하는 팀 기반 학습에 있으며, 데이터와 간단한 시뮬레이션을 활용한 실습을 통해 이론을 실제 사회현상에 적용한다. 학생들은 그룹 토론, 프로젝트를 통해 비판적 사고, 협업 능력, 창의적 문제 해결 역량을 배양하며, 나아가 데이터 기반 분석과 복합적 가치 창출 능력을 기르게 된다.전선 / 대학원
이 강의에서는 인공지능 신뢰성 문제, 즉 인공지능의 가치정렬, 적법·윤리성, 견고성을 측정·확보하는 기법과 이를 촉진하기 위한 제도의 설계 방안을 학습한다. 이를 위해 리스크의 측정·경감 기술의 이해 뿐 아니라 인문·사회과학·법적 관점을 융합한 다양한 접근을 제시한다. 구체적으로 공정한 기계학습, 설명 가능한 AI, 인간-AI 상호작용, 프라이버시 보존 데이터 분석, 자율시스템의 안전성, 인지모델의 견고성, 생성모델의 권리침해와 오남용 문제, 자율살상무기체계의 통제 등을 탐색한다.전선 / 대학원
본 교과목에서는 동물이 생존하고, 먹이를 구하고, 포식자를 피하고, 방향을 잡고, 번식결정을 내리는 데에 있어서 그들의 감각을 어떻게 활용하는지에 대해 다룬다. 신호를 인지하는 데에 관여된 신경회로와 신호를 내는 기작에 대해서도 살펴볼 것이며, 여러 개체 혹은 여러 종의 상호작용 속에서 신호를 사용하는 것이 어떠한 결과를 초래하는지도 살펴볼 것이다. 교미와 공격행동에 관련된 신호체계 및 의사소통이 진화할 수 있었던 기작에 대해 논의할 것이며, 신호를 적절히 측정하고 분석하는 방법도 섭렵한다. 강의, 논문 강독 뿐 아니라 간단한 실험도 진행될 것이며, 이를 통해 진화생태학 혹은 행동생태학을 배우게 될 학생들이 향후에 실제로 도움이 될 지식을 습득할 수 있게 된다.