CSI (Computer Systems and Intelligence) 연구실의 (지도교수:김유성) 논문 2편이 인공지능 분야의 Top-tier 국제학술대회인 CIKM (Conference on Information and Knowledge Management) 2024에 게재 승인되었습니다.

논문1 : Novelty-aware Graph Traversal and Expansion for Hierarchical Reinforcement Learning 은 박사과정 박종찬, 오승준군이 공동 제1저자로 참여하였습니다.

이 논문은 복잡하고 장기적인 목표를 가진 환경에서 행동 정책을 학습하는 어려움을 극복하기 위해 Novelty-aware Graph Traversal and Expansion (NGTE) 이라는 새로운 방법을 제안합니다. 기존의 그래프 기반 계층형 강화학습 방법은 비효율적인 하위 목표를 생성하는 문제를 가지고 있었으나, NGTE는 그래프 경계에서 최적의 노드를 하위 목표로 선택하고, 이 목표에 도달한 후 탐험 단계로 전환하여 그래프에 포함되지 못한 새로운 노드를 탐색합니다. NGTE는 노드간 거리를 예측하는 Distance Critic과 새로운 노드를 탐색하는 Novelty Critic을 사용하여 최적의 하위 목표 선택 및 신속한 그래프 확장을 가능하게 합니다. 네 발 로봇 내비게이션과 로봇 팔 조작과 같은 복잡한 환경에서 기존 방법들보다 우수한 성능을 보였으며, 특히 시작과 목표가 고정되어 환경 탐색이 중요한 환경에서 탁월한 성능을 발휘하였습니다.

논문2 : Self-supervised One-Stage Learning for RF-based Multi-Person Pose Estimation 은 석사과정 졸업생 신승환군이 저자로 참여하였습니다.

이 논문은 여러 사람이 있는 환경에서 무선 주파수(RF) 신호를 기반으로 비가시 영역의 위치한 다중 사람들의 자세를 추정하는 새로운 방법을 제안합니다. 기존의 RF 기반 방식은 복잡한 전처리 과정이나 깊은 신경망을 통해 신호를 임베딩했지만, 제안된 방법은 복수의 안테나로 수신된 RF 신호를 서브 그룹으로 나누고, 각 그룹을 공유된 단층 CNN 만으로 임베딩 후, 그룹들간 멀티 헤드 어텐션을 적용하여 보다 가볍고 효율적으로 설계될 수 있음을 보였습니다. 또한, 새로운 자가 지도 학습(Self-Supervised Learning) 방법을 제안하여 마스킹된 서브 그룹 단위 잠재 표현을 예측하여 자세 추정 성능을 더욱 향상시켰습니다. 실험 결과, 제안된 모델은 기존의 방법보다 학습 파라미터개수를 2% 만을 사용하면서 PCKh@0.5 정확도를 최대 15% 향상시켰으며, 특히 학습때 경험하지 않은 새로운 위치나 장애물 놓인 환경에서 더욱 뛰어난 성능을 발휘했습니다.

CSI Lab. (지도교수 김유성 yskim525@skku.edu) | https://csi-skku.github.io