지금 열심히 딥페이크 공모전에 참여하고 있다. 성능 올리는 방법에 대해서는 임시저장한 상태지만, 공모전이 끝난 뒤 업데이트할 예정!

Therefore, applying RL algorithms with high sample complexity to real-world tasks is difficult, where trial-and-error can be extremely expensive.→ RL알고리

어떤 자연수 N은 그보다 작거나 같은 제곱수들의 합으로 나타낼 수 있다. 예를 들어 11=32+12+12(3개 항)이다. 이런 표현방법은 여러 가지가 될 수 있는데, 11의 경우 11=22+22+12+12+12(5개 항)도 가능하다. 이 경우, 수학자 숌크라테스는 “1

예시를 들어보자면, 로봇 협업 학습 (예: 물류창고, 공장 로봇들)문제: 서로 다른 환경에 있는 로봇들(예: 로봇 팔, 드론 등)이 유사한 작업을 하지만 환경이나 하드웨어가 조금씩 다름.FRL 활용:각 로봇은 자기가 있는 현장에서 로컬 강화 학습 수행.정책만 공유 →

(요기 이 simulation based 부분은 아직 구현을 하지 못했고 강의를 끝까지는 못 들어성 다음 부분으로 넘겨보겠습니당...!) 그리고 저번까지는 계속해서 그냥 ppt에 나와있는 기본코드를 구현하는 것에 그쳤는데, 여기 나와있는 그 미로 탐험이 개인적으로 재미

6강에 있는 내용들 그대로 이해하기 쉽게 조금만 바꿔서 해보았습니다!!!!! 5강에서 한번 개념 제대로 잡으니까, 그냥 지식 업데이트만 하면 되는 느낌이더라구용!!! 혹시 질문이 있다면,,,댓글을 남겨주세요!!

결국 중요한 건, 어떻게 저렇게 0.9뒤에 곱해지는 애들이 어떻게 달라지는지이다.

처음부터 0층을 채움 층을 순회할 때 : 1층~max_k층까지 채워야 함. (1,max_k+1)이 맞음.호수를 순회할 때 : 1호~max까지 채워야 함. 그래서 (0,max)가 맞음.🚀 핵심 차이점공간 복잡도 차이네 풀이: d라는 2차원 리스트(14x14) 를 만들

3 X N의 경우 나눠보기3 x 0 = 1 (근데 여기서 0이라고 할뻔 했다)3 x 1 = x 3 x 2 = 33 x 3= x 3 x 4 = 3 x 3 + 2 (중간에 연결이 되는 경우3 x 5 = x 3 x 6 ( 이 부분을 떠올리기 힘들었음) = 3×(N-2) 크기

LLM agent 연구에 언젠간 활용하고 싶어서 열심히, 노력하고 있지만 쉽지는 않다. 저번주 스터디에 스터디원분이 구현을 하셔서 오신걸 보고! 깜짝~놀라버려성나도 한번 구현을 해봐야겠다고 생각했다! ! ! ! ! ! ! 그분이 공부하신 방법대로 한번 따라해봤다. (1

제가 혁펜하임의 Easy! 딥러닝 이라는 책을 리뷰하게 되었습니다ㅎㅎ 혁펜하임님의 다양한 영상들을 보면서 공부해온 저였습니다. 사실 비전공자이다보니, 학교에서 선형대수학 강의나 기계학습 강의를 들을 때마다 많이 힘들었(?)었는데요...ㅋㅋㅋ 그럴 때마다 혁펜하임님

어떻게 prediction을 할까? environment가 모르는데 어떻게?해?! 몬테카를로! Temporal Difference! 몬테카를로 : 세보는 거! 아 이렇네 policy를 따라서 계속 해보고, return들을 평균 내보는 것! ![](https://v

prediction 인풋 : MDP와 Policy output : value function ! control 인풋 : MDP output : optimal value function과 optimal policy ![](https://velog.velcdn.co

과연 tailored truth가 뭘까?https://arxiv.org/pdf/2501.17273연구 목적: LLM이 인간의 의견을 변화시키는 능력을 측정하고, 다양한 설득 전략(personalization, 조작된 통계 등)이 미치는 영향을 평가연구 방법:인

https://arxiv.org/pdf/2408.15879 일단 acl논문이다. Abstract 일단 LLM이 다양한 분야에 쓰이고 있다. (credit card, Insurance 등등. 이때 insurance policy나 investment plan을 선택하도록

Abstract 이 논문은 5주차-1의 도식화에 따르면 ‘5.해결 framework’에 초점을 맞춘 논문! → 알고보니 하늘님이 예전에 말씀하셨던 논문…인 것 같음ㅎㅎ Introduction 현재 상황 : 많은 llm연구들이 진행되고 있다. 문제 : 여기서의

MDP는 일종의 environment를 표현하는 방법! 대부분의 모든 RL problem은 MDP로 표현할 수 있다고 한다. 일단 MarKoV 특성예전의 것들은 현재랑 관계가 없다. state만 필요할 뿐, 이전 history는 필요가 없다.State Transiti

reward signal 정답이 알려주는 사람 없이, 에이전트가 리워드 신호만 받으면서 좋은 방법론을 찾아가는 것 ! ! ! !supervisor가 없이 ! ! ! == 자기주도학습 잘 하는 학생 feedback is delayed supervised learning에

LLM은 엄청난 발전을 했다.하지만 customize하는 방법이 좋음(하나만 다 할 수는 없으니...)\-> persona setting! ( LLM-driven human behavior simulation can facilitate insightful exchan