Antigravity Agent
2.2 KiB
2.2 KiB
id: RL-REPLAY-001 category: Dev confidence_score: 1.0 tags: Reinforcement-Learning, ai, experience-replay, dqn, stable-learning] last_reinforced: 2026-04-26
Experience Replay (경험 재플레이)
📌 한 줄 통찰 (The Karpathy Summary)
"과거의 경험을 망각 속에 버리지 말고, 무작위로 꺼내어 현재의 지능을 다져라" — 에이전트가 환경과 상호작용하며 얻은 경험 데이터(
s, a, r, s')를 버퍼에 저장하고, 학습 시 이들을 무작위로 샘플링하여 사용하여 학습의 상관관계를 끊고 효율을 높이는 기법.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: 실시간으로 유입되는 데이터 간의 강한 시간적 상관관계(Correlation)를 무작위 샘플링을 통해 파괴함으로써, 모델이 특정 상황에 편향되거나 발산하는 것을 막는 학습 안정화 패턴.
- 주요 효과:
- Reduced Correlation: 연속된 샘플들이 서로 비슷하여 생기는 학습의 비효율성 해결.
- Data Efficiency: 한 번의 경험을 여러 번 학습에 활용하여 데이터 가치 극대화.
- Stability: 학습의 분산을 낮추어 신경망이 더 안정적으로 수렴하도록 도움.
- 고급 기법:
- Prioritized Experience Replay (PER): 학습에 더 도움이 될 것 같은(오차가 큰) 중요한 경험을 더 자주 샘플링.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 즉각적인 데이터 처리가 최선이라는 고정관념에서 벗어나, 데이터를 '축적'하고 '재배치'하는 과정이 신경망 학습의 질을 결정함을 증명.
- 정책 변화: Skybound 프로젝트의 적 기체 AI는 플레이어와의 교전 이력을 Replay Buffer에 저장하고, 이를 통해 다양한 플레이어의 전술에 범용적으로 대응하는 강건한 정책을 구축함.
🔗 지식 연결 (Graph)
- Deep-Q-Networks-DQN, Reinforcement-Learning, Q-Learning-Foundations, Neural-Networks-Foundations
- Raw Source: 10_Wiki/Topics/AI/Experience-Replay.md