다중 에이전트 강화학습 기반 특징 선택에 대한 연구Study for Feature Selection Based on Multi-Agent Reinforcement Learning
- Other Titles
- Study for Feature Selection Based on Multi-Agent Reinforcement Learning
- Authors
- 김민우; 배진희; 왕보현; 임준식
- Issue Date
- Dec-2021
- Publisher
- 한국디지털정책학회
- Keywords
- 특징 선택; 강화 학습; 멀티 에이전트; 분류; 카운터 보상; Feature Selection; Reinforcement Learning; Multi-Agent; Classification; Counter Reward
- Citation
- 디지털융복합연구, v.19, no.12, pp.347 - 352
- Journal Title
- 디지털융복합연구
- Volume
- 19
- Number
- 12
- Start Page
- 347
- End Page
- 352
- URI
- https://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/83009
- DOI
- 10.14400/JDC.2021.19.12.347
- ISSN
- 2713-6434
- Abstract
- 본 논문은 다중 에이전트 강화학습 방식을 사용하여 입력 데이터로부터 분류에 효과적인 특징 집합을 찾아내는 방식을 제안한다. 기계 학습 분야에 있어서 분류에 적합한 특징들을 찾아내는 것은 매우 중요하다. 데이터에는 수많은 특징들이 존재할 수 있으며, 여러 특징들 중 일부는 분류나 예측에 효과적일 수 있지만 다른 특징들은 잡음 역할을 함으로써 올바른 결과를 생성하는 데에 오히려 악영향을 줄 수 있다. 기계 학습 문제에서 분류나 예측 정확도를 높이기 위한 특징 선택은 매우 중요한 문제 중 하나이다. 이러한 문제를 해결하기 위해 강화학습을 통한 특징 선택 방법을 제시한다. 각각의 특징들은 하나의 에이전트를 가지게 되며, 이 에이전트들은 특징을 선택할 것인지 말 것인지에 대한 여부를 결정한다. 에이전트들에 의해 선택된 특징들과 선택되지 않은 특징들에 대해서 각각 보상을 구한 뒤, 보상에 대한 비교를 통해 에이전트의 Q-value 값을 업데이트 한다. 두 하위 집합에 대한 보상 비교는 에이전트로 하여금 자신의 행동이 옳은지에 대한 판단을 내릴 수 있도록 도와준다. 이러한 과정들을 에피소드 수만큼 반복한 뒤, 최종적으로 특징들을 선별한다. 이 방법을 통해 Wisconsin Breast Cancer, Spambase, Musk, Colon Cancer 데이터 세트에 적용한 결과, 각각 0.0385, 0.0904, 0.1252, 0.2055의 정확도 향상을 보여주었으며, 최종적으로 0.9789, 0.9311, 0.9691, 0.9474의 분류 정확도를 보여주었다. 이는 우리가 제안한 방법이 분류에 효과적인 특징들을 잘 선별하고 분류에 대한 정확도를 높일 수 있음을 보여준다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - IT융합대학 > 컴퓨터공학과 > 1. Journal Articles
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.