알아두면 쓸데있는 신기한 강화습 NAVER 2017
484 likes198,016 views
발표 영상: http://tv.naver.com/v/2051482 PDF를 받아서 보셔야 깨끗하게 보입니다. 최근 강화습 트렌드를 다섯 가지로 나눠 설명하고, 데브시스터즈에서 풀고 있는 세 가지 강화습 문제들을 공유합니다.
More Related Content
What's hot (20)
Viewers also liked (20)
![[NDC2017 : 박준철] Python 게임 서버 안녕하십니까 - 몬스터 슈퍼리그 게임 서버](https://cdn.slidesharecdn.com/ss_thumbnails/ndc17python-0425v08-170426123108-thumbnail.jpg?width=560&fit=bounds)
![[IGC 2016] 넷게임즈 김복식 - 중국 모바일 게임과 캐주얼 게임 디자인](https://cdn.slidesharecdn.com/ss_thumbnails/2-161009034159-thumbnail.jpg?width=560&fit=bounds)
![[해외세미나]서울-키에프시 교통정책 및 빅데이터솔루션 지식공유 워크샵 강연](https://cdn.slidesharecdn.com/ss_thumbnails/random-170809083329-thumbnail.jpg?width=560&fit=bounds)
![[데이터야놀자2107] 강남 출근길에 판교/정자역에 내릴 사람 예측하기](https://cdn.slidesharecdn.com/ss_thumbnails/predict-get-off-station-171012210042-thumbnail.jpg?width=560&fit=bounds)
More from Taehoon Kim (7)
![Random Thoughts on Paper Implementations [KAIST 2018]](https://cdn.slidesharecdn.com/ss_thumbnails/kaist2018-180426031539-thumbnail.jpg?width=560&fit=bounds)
알아두면 쓸데있는 신기한 강화습 NAVER 2017
- 3. 강화 습 Reinforcement Learning (RL)
- 7. Environment Agent State 𝑠" Action 𝑎" = 2
- 8. Environment Agent Action 𝑎" = 2State 𝑠" Reward 𝑟" = 1
- 9. Environment Agent Action 𝑎" = 2State 𝑠" Reward 𝑟" = 1
- 10. Environment Agent Action 𝑎" = 0State 𝑠" Reward 𝑟" = −1
- 11. Environment Agent Action 𝑎" = 0State 𝑠" Reward 𝑟" = −1
- 12. 행동을 하고 시행착오를 겪으며 습 강화 습
- 13. 최근 강화 습 연구들
- 15. 2017.08.09
- 17. 2017.08.11
- 20. 2014 Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533. Silver, David, et al. "Mastering the game of Go with deep neural networks and tree search." Nature 529.7587 (2016): 484-489. Vinyals, Oriol, et al. "StarCraft II: A New Challenge for Reinforcement Learning." 2016 2017
- 21. 2014 2016 이전의 강화습은 잘 알려진 반면..
- 23. 그래서
- 24. 최근 강화 습17.08.16
- 25. 다섯 가지 트렌드
- 26. 1.Multi Agent 2.Planning 3.Meta Learning 4.Guided RL 5.ETC Exploration, Continuous action, Imitation learning …
- 27. 1.여러 로봇 습하기 2.전략 세우기 3.배경 지식 활용하기 4.명령에 따라 다르게 행동하기 5.그 외 다양한 시도, 연속적인 행동, 따라하기, …
- 28. WARNING 강화 습이 처음이신 분께 다소 어려울 수 있기 때문에 전체적인 흐름 파악에만 집중해 주세요
- 29. 하나씩 얕고 좁게..
- 30. 1. 여러 로봇 습하기 Multi Agent RL
- 32. 협업 or 경쟁이 필요한 Multi Agent 자율 주행 자동차, 대화 AI, 대규모 공장 로봇 …
- 33. Starcraft Peng, Peng, et al. "Multiagent Bidirectionally-Coordinated Nets for Learning to Play StarCraft Combat Games." arXiv preprint arXiv:1703.10069 (2017).
- 34. Multi-Agent RL 다중 에이전트 강화 습
- 35. Single Agent 습 방식을 그대로 쓰기 어렵다 Deep Qlearning, Policy Gradient …
- 36. 다양한 어려움이 있지만.. Multi-Agent RL
- 37. Non stationary environment 다른 Agent 때문에 생기는 불확실성 때문에 습이 어렵고 기존의 경험을 바로 활용하기 어렵다
- 38. B A
- 39. B에 가까이 갈 때 +1 reward B A
- 40. +1 +1-1 -1 B에 가까이 갈 때 +1 reward B A
- 41. +1+1-1+1+1+1 Q( ) = +2 Q(𝑎") : 각 행동 𝑎"가 가져울 미래 가치 B A
- 42. +1+1-1+1+1+1 Q( ) = +2 +1+1-1+1+1+1 Q( ) = +4 Q(𝑎") : 각 행동 𝑎"가 가져울 미래 가치 B A
- 43. +1+1-1+1+1+1 Q( ) = +2 +1+1-1+1+1+1 Q( ) = +4 -1-1-1+1-1+1 Q( ) = -2 -1+1-1-1-1-1 Q( ) = -4 Q(𝑎") : 각 행동 𝑎"가 가져울 미래 가치 B A
- 44. +1+1-1+1+1+1 Q( ) = +2 +1+1-1+1+1+1 Q( ) = +4 -1-1-1+1-1+1 Q( ) = -2 -1+1-1-1-1-1 Q( ) = -4 Q(𝑎") : 각 행동 𝑎"가 가져울 미래 가치 B A
- 45. B가 갑자기 움직이기 시작한다면? B B A
- 46. Q( ) = ? Q( ) = ?Q( ) = ? Q( ) = ? A가 이전에 배웠던 Q(𝑎")는 무쓸모 B A B 예를 들어 B가 갑자기 순간 이동을 한다고 했을때
- 47. B가 다른 reward를 받는 Agent라면? 습하면서 행동을 바꾼다면 B B Q( ) = ? Q( ) = ?Q( ) = ? Q( ) = ? A
- 48. Q-value 습이 굉장히 불안정해 질 것 B B Q( ) = ? Q( ) = ?Q( ) = ? Q( ) = ? A
- 50. Communication Mordatch, Igor, and Pieter Abbeel. "Emergence of Grounded Compositional Language in Multi-Agent Populations." arXiv preprint arXiv:1703.04908 (2017) https://blog.openai.com/learning-to-communicate/ 다른 모든 Agent에게 메세지 전달
- 51. Actor-Critic + Centralized Q-value 다른 Agent의 내부 정보를 공유 Lowe, Ryan, et al. "Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments." arXiv preprint arXiv:1706.02275 (2017) https://blog.openai.com/learning-to-cooperate-compete-and-communicate/ Centralized Q-value
- 52. 2. 전략 세우기 Hierarchical RL + Model-based RL
- 53. Reward가 자주 생겨서 습이 쉬움
- 54. Reward가 너무 드물어서 습이 어려움
- 55. Sparse Reward Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016. Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017). 30번 정도의 올바른 행동 후에 0이 아닌 Reward을 얻음 Feedback 밧줄을 타고 내려가서 해골을 피하고 사다리를 타서 열쇠를 얻어야 100점 얻음
- 56. Hierarchical RL 계층 강화 습
- 60. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 A A 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL
- 61. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 A A 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL 목표1 목표2 목표3
- 62. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 A A 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL 밧줄 잡기 목표1 목표2 목표3
- 63. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 A A 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL 밧줄 잡기 사다리 내려가기 목표1 목표2 목표3
- 64. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 A A 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL 밧줄 잡기 사다리 내려가기 점프 하기 목표1 목표2 목표3
- 65. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 목표1 목표2 목표3 A A 행동 𝑎"Reward 𝑟" 𝑎*,"𝑎,," Non-hierarchical RL Hierarchical RL 𝑎-," 밧줄 잡기 사다리 내려가기 점프 하기
- 66. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 목표1 목표2 목표3 - - ON A A 목표 Ω 행동 𝑎"Reward 𝑟" Non-hierarchical RL Hierarchical RL 𝑎*,"𝑎,," 𝑎-,"
- 67. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 목표1 목표2 목표3 - - ON A A 목표 Ω 행동 𝑎-,"행동 𝑎"Reward 𝑟" 𝑎*,"𝑎,," Non-hierarchical RL Hierarchical RL
- 68. Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017 목표1 목표2 목표3 - - ON A A 목표 Ω 행동 𝑎-,"행동 𝑎"Reward 𝑟" Reward 𝑟" 𝑎*,"𝑎,," Non-hierarchical RL Hierarchical RL
- 69. Montezuma 잘 풀었다 Kulkarni, Tejas D., et al. "Hierarchical deep reinforcement learning: Integrating temporal abstraction and intrinsic motivation." Advances in Neural Information Processing Systems. 2016 Vezhnevets, Alexander Sasha, et al. "Feudal networks for hierarchical reinforcement learning." arXiv preprint arXiv:1703.01161 (2017) Bacon, Pierre-Luc, Jean Harb, and Doina Precup. "The Option-Critic Architecture." AAAI. 2017
- 70. .짶.만.
- 71. 하지만, 암기로 풀 수 있음
- 72. 암기로 풀 수 없는 문제 Weber, Théophane, et al. "Imagination-Augmented Agents for Deep Reinforcement Learning." arXiv preprint arXiv:1707.06203 (2017). https://deepmind.com/blog/agents-imagine-and-plan/
- 73. Weber, Théophane, et al. "Imagination-Augmented Agents for Deep Reinforcement Learning." arXiv preprint arXiv:1707.06203 (2017). https://deepmind.com/blog/agents-imagine-and-plan/ 실제로 일어날 일을 시뮬레이션으로 (internal simulation) 상상해 보고 행동
- 74. Model-free RL + Model-based RL Deep Q-learning Policy Gradient …
- 75. Model-free RL + Model-based RL Imagination Weber, Théophane, et al. "Imagination-Augmented Agents for Deep Reinforcement Learning." arXiv preprint arXiv:1707.06203 (2017). https://deepmind.com/blog/agents-imagine-and-plan/
- 76. 3. 배경 지식 활용하기 Meta Learning
- 77. 사람처럼 기존의 경험을 활용해 새로운 환경에서 어떻게 잘 적응을 할 수 있을까? Meta Learning
- 79. Weight Update를 빠르게 하려면? http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/
- 81. 작은 데이터만 보고도 잘 분류하려면? http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/
- 82. 한번도 안 본 게임도 잘 클리어 하려면? http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/ Meta Learning + RL
- 84. Meta Learning + RL
- 85. Meta Reinforcement Learning 한번도 안 본 게임도 잘 클리어 하려면?
- 86. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). https://www.youtube.com/playlist?list=PLp24ODExrsVeA-ZnOQhdhX6X7ed5H_W4q
- 87. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). 한판 = 한 Episode
- 88. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). Episode가 끝나도 정보를 리셋하지 않고 계속 사용
- 89. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). N번의 Episode를 하나의 Trial로 정의 N번의 Episode를 통해서 최적의 플레이를 찾는 방법을 습
- 90. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). 새로운 시도에는 새로운 게임(여기서는 새로운 맵)을 플레이
- 91. Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). 새로운 시도에는 새로운 게임(여기서는 새로운 맵)을 플레이
- 92. 좀 더 현실적인 예시: 마리오를 N번 플레이 내에 끝까지 클리어
- 96. 다양한 마리오 게임을 습하고 습하지 않았던 마리오 게임을 플레이
- 97. 다양한 레이싱 게임을 습하고 습하지 않았던 레이싱 게임을 플레이 ex. GTA, 실제 자율 주행 자동차
- 98. 다양한 시도 Meta RL
- 99. RL2: Recurrent Network Duan, Yan, et al. "RL $^ 2$: Fast Reinforcement Learning via Slow Reinforcement Learning." arXiv preprint arXiv:1611.02779 (2016). https://www.youtube.com/playlist?list=PLp24ODExrsVeA-ZnOQhdhX6X7ed5H_W4q Episode의 Return이 아닌 Trial의 Return을 optimize
- 100. Model-Agnostic Meta-Learning Finn, Chelsea, Pieter Abbeel, and Sergey Levine. "Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks." arXiv preprint arXiv:1703.03400 (2017). 여러 Task를 동시에 습해 weight의 central point를 찾음 그리고 1번의 gradient update로 새 Task에 적응
- 101. 4. 명령에 따라 다르게 행동하기
- 102. 단 한가지 목표
- 103. 단 한가지 목표 자율 주행 = 무한가지 목표 학교까지 주행 앞 차를 따라서 주행 주차장에 주차 ...
- 104. Guided RL 명령에 따라 다르게 행동하도록 Agent를 습
- 105. + Guided RL
- 106. Teaching Machines to Understand Visual Manuals via Attention Supervision for Object Assembly Taehoon Kim1, Youngwoon Lee2, Joseph Lim2 1 2
- 107. 왜?
- 108. 사람처럼 새로운 환경에서 잘 적응하려면? Generalization in Reinforcement Learning
- 112. 사람도 새로운 문제를 풀기 위해서는 매뉴얼을 봐야한다
- 113. 무엇을?
- 114. 칠교 퍼즐 가구 조립 Hierarchical Planning이 필요한 문제
- 115. State 𝑠"
- 116. State 𝑠" Manual 𝑚&ܴdz;
- 117. 어떻게? 두가지 방법으로 접근
- 119. …
- 120. … …
- 121. Vinyals, Oriol, Meire Fortunato, and Navdeep Jaitly. "Pointer networks." Advances in Neural Information Processing Systems. 2015. … … Pointer Network
- 122. 𝒔 𝒩," 𝝅 𝑽 𝑎"5, 𝑒𝑛𝑐 … 𝒔*," 𝒔,," … ⟨𝑔⟩ … … 𝑠<," , 𝑠<," * 𝑠<," 𝒮 𝑝<," , 𝑝<," 𝒫5, 𝑴" Image segmentation + Pointer Network
- 123. 하지만 Pointer Network 습을 위해 추가적인 Supervision 필요 단점 몇 번째 segment가 매뉴얼 조각을 포함하는지 … …
- 124. Attention Xu, Kelvin, et al. "Show, attend and tell: Neural image caption generation with visual attention." International Conference on Machine Learning. 2015.
- 125. 메뉴얼에 해당하는 부분에 집중(ٳٱԳپDz)
- 126. Query Attention maps Guided Attention π V Manual State Context Fusion Map Fusion … … … … … Guided Attention + A3C
- 127. 그리고 복잡한 습 과정을 거쳐서.. Curriculum Learning Semi-supervised Learning Self-supervision …
- 128. 결과
- 132. 다른 Guided RL 연구들 Text as Manual
- 133. Gated-Attention + A3C Hermann, Karl Moritz, et al. "Grounded language learning in a simulated 3D world." arXiv preprint arXiv:1706.06551 (2017) https://sites.google.com/view/gated-attention/home
- 134. Self-Supervision + A3C Chaplot, Devendra Singh, et al. "Gated-Attention Architectures for Task-Oriented Language Grounding." arXiv preprint arXiv:1706.07230 (2017) https://www.youtube.com/watch?v=wJjdu1bPJ04 물체들의 관계까지 이해해야 하는 Agent
- 135. 5. ETC Exploration, Continuous action, Imitation learning
- 136. Exploration 지금까지 좋다고 생각했던 행동이 아닌 모험(랜덤 행동)을 하는 것
- 137. Exploration 랜덤으로 모험(행동)을 하는 것
- 138. Exploration 랜덤으로 모험(행동)을 하는 것 Exploitation 지금까지 배운 최선의 행동을 하는 것
- 139. Exploration Pathak, Deepak, et al. "Curiosity-driven exploration by self-supervised prediction." arXiv preprint arXiv:1705.05363 (2017) https://pathak22.github.io/noreward-rl/ Curiosity reward + Inverse Dynamics Model
- 140. Curriculum Learning 쉬운 문제부터 어려운 문제까지 차근차근 난이도를 올려가며 습
- 141. 습 시간 난이도 하 중 상 Non-curriculum learning 특정 난이도의 문제 뽑을 확률
- 142. 습 시간 난이도 하 중 상 습 처음부터 끝까지 모든 난이도를 동일한 확률로 뽑기 Non-curriculum learning
- 143. 습 시간 난이도 하 중 상 Curriculum learning 처음에는 가장 쉬운 문제를 많이 습
- 144. 습 시간 난이도 하 중 상 하 중 상 Curriculum learning 특정 조건 달성 이후 좀 더 어려운 문제 풀기 시작 문제 하 성공률 80% 달성
- 145. 습 시간 난이도 하 중 상 하 중 상 하 중 상 문제 하 성공률 80% 달성 문제 중 성공률 80% 달성 Curriculum learning 특정 조건 달성 이후 좀 더 어려운 문제 풀기 시작
- 146. Curriculum Learning + GAN Held, David, et al. "Automatic Goal Generation for Reinforcement Learning Agents." arXiv preprint arXiv:1705.06366 (2017) https://sites.google.com/view/goalgeneration4rl
- 147. Continuous Action 연속적인 행동을 가진 Agent의 습 (ex. 로봇)
- 148. Discrete Action 𝑎" < ∈ {0,1} 위 아래 ON -
- 149. Continuous Action −1 ≤ 𝑎" < ≤ 1Discrete Action 𝑎" < ∈ {0,1} 어깨 무릎 허리 0.1 -0.2 0.5 위 아래 ON -
- 150. Continuous Action Schulman, John, et al. "Proximal Policy Optimization Algorithms." arXiv preprint arXiv:1707.06347 (2017) https://blog.openai.com/openai-baselines-ppo/ PPO
- 151. Continuous Action Heess, Nicolas, et al. "Emergence of Locomotion Behaviours in Rich Environments." arXiv preprint arXiv:1707.02286 (2017) https://www.youtube.com/watch?v=hx_bgoTF7bs Distributed PPO
- 152. 이 외에도..
- 153. 문제는 여전히 많다
- 154. 네.
- 155. 강화 습 캉화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 강화 습 감화 습 강화 습 강화 습 강화 습 강화 습 강회 습 강화 습 강화 습 강화 습
- 156. Neural Turing Machine Differentiable Neural Computer Neural Module Network Neural Programmer-Interpreter Programmable Agent … 강화 습 외에도 관심있는 분야 Graves, Alex, Greg Wayne, and Ivo Danihelka. "Neural turing machines." arXiv preprint arXiv:1410.5401 (2014). Graves, Alex, et al. "Hybrid computing using a neural network with dynamic external memory." Nature 538.7626 (2016): 471-476. Andreas, Jacob, et al. "Neural module networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. Reed, Scott, and Nando De Freitas. "Neural programmer-interpreters." arXiv preprint arXiv:1511.06279 (2015). Denil, Misha, et al. "Programmable agents." arXiv preprint arXiv:1706.06383(2017).
- 157. 다 이야기하고 싶지만 오늘읶..
- 159. Berthelot, David, Tom Schumm, and Luke Metz. "Began: Boundary equilibrium generative adversarial networks." arXiv preprint arXiv:1703.10717 (2017). https://github.com/carpedm20/BEGAN-tensorflow
- 160. Kim, Taeksoo, et al. "Learning to discover cross-domain relations with generative adversarial networks." arXiv preprint arXiv:1703.05192 (2017). https://github.com/carpedm20/DiscoGAN-pytorch
- 161. Shrivastava, Ashish, et al. "Learning from simulated and unsupervised images through adversarial training." arXiv preprint arXiv:1612.07828 (2016). https://github.com/carpedm20/simulated-unsupervised-tensorflow
- 162. Generative Model + Audio
- 163. Generative Model + Audio
- 164. 카카오뱅크가 개시 5일만에 100만 계좌를 돌파하면서 돌풍을 일으키고 있다. CVPR2017 현장 풍경입니다. 많은 컴퓨터비전 연구자들이 네이버랩스 부스를 찾았습니다. 오늘의 날씨는 어제보다 3도 높습니다. 총 3개의 일정이 등록되어 있습니다.
- 165. .voice Voice Synthesis Technologies for Developers
- 166. 더 자세한건...