96 lines
4.1 KiB
Markdown
96 lines
4.1 KiB
Markdown
---
|
|
id: wiki-2026-0508-policy-optimization
|
|
title: Policy Optimization
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: [P-Reinforce-AUTO-POLO-001]
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.98
|
|
tags: [auto-reinforced, Reinforcement-Learning, Optimization, policy-gradient, ai-training]
|
|
raw_sources: []
|
|
last_reinforced: 2026-04-20
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
tech_stack:
|
|
language: unspecified
|
|
framework: unspecified
|
|
---
|
|
|
|
# [[Policy-Optimization|Policy-Optimization]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "행동 지침의 진화: 시행착오와 보상을 통해 에이전트가 어떤 상황에서 어떤 선택을 하는 것이 최선인지(Policy)를 수학적으로 정교하게 다듬어가는 강화학습의 심장."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
정책 최적화(Policy Optimization)는 강화학습(RL)에서 에이전트의 결정 지침인 '정책'을 직접 학습시켜 기대 누적 보상을 극대화하는 방법론입니다.
|
|
|
|
1. **핵심 메커니즘 (Policy Gradient)**:
|
|
* 특정 행동을 했을 때 높은 보상을 받으면 해당 행동을 할 확률을 높이고, 낮은 보상을 받으면 확률을 낮추는 방향으로 가중치 업데이트.
|
|
* $\nabla J(\theta) \approx \mathbb{E} [\nabla \log \pi_\theta(a|s) R]$
|
|
2. **주요 알고리즘**:
|
|
* **REINFORCE**: 보상의 전체 합계를 사용하여 업데이트하는 가장 기초적인 정책 그래디언트 방식.
|
|
* **PPO (Proximal Policy Optimization)**: 급격한 정책 변화를 억제([[CLIP|CLIP]]ping)하여 학습의 안정성을 획기적으로 높인 오픈AI의 표준 알고리즘.
|
|
* **TRPO (Trust Region Policy Optimization)**: 정책 변화량을 신뢰 영역 내로 제한하여 성능 향상을 보장.
|
|
3. **장점**:
|
|
* 연속적인 행동 공간(예: 로봇 팔 조절) 문제를 해결하는 데 탁월함.
|
|
* 확률적 정책(Stochastic Policy)을 통해 탐험(Exploration)을 자연스럽게 수행.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
|
- **과거 데이터와의 충돌**: 과거에는 가치 기반(Q-Learning) 방식이 주류였으나, 복잡한 현실 세계의 문제는 가치 함수로만 설명하기 어려워 정책 직접 최적화 방식이 현대 AI의 대세가 됨.
|
|
- **정책 변화(RL Update)**: 정책 최적화 과정에서 발생하는 '보상 해킹(Reward Hacking)'이나 '안전 위배'를 방지하기 위해, 제약 조건을 수식에 직접 포함하는 'Safe RL' 정책이 자율 주행 및 의료 AI 학습의 필수 규정으로 도입됨.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], Policy Gradient Methods, [[Optimization|Optimization]], Machine Learning, PPO (Proximal Policy Optimization)
|
|
- **Modern Tech/Tools**: OpenAI Spinning Up, Stable Baselines3, Ray Rllib.
|
|
---
|
|
|
|
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
|
|
|
**언제 이 지식을 쓰는가:**
|
|
- *(TODO)*
|
|
|
|
**언제 쓰면 안 되는가:**
|
|
- *(TODO)*
|
|
|
|
## 🧪 검증 상태 (Validation)
|
|
|
|
- **정보 상태:** needs_review
|
|
- **출처 신뢰도:** A
|
|
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
|
|
|
## 🧬 중복 검사 (Duplicate Check)
|
|
|
|
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
|
- **처리 방식:** UPDATE (자동 정규화)
|
|
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
|
|
|
## 🕓 변경 이력 (Changelog)
|
|
|
|
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
|
|------|-----------|-----------|--------|
|
|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
|
|
|
## 💻 코드 패턴 (Code Patterns)
|
|
|
|
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
|
|
|
```text
|
|
# TODO
|
|
```
|
|
|
|
## 🤔 의사결정 기준 (Decision Criteria)
|
|
|
|
**선택 A를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**선택 B를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**기본값:**
|
|
> *(TODO)*
|
|
|
|
## ❌ 안티패턴 (Anti-Patterns)
|
|
|
|
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)* |