연구 개요

자연어 지시를 강화학습 에이전트의 조건 입력으로 활용하여 게임 레벨을 절차적으로 생성하는 연구입니다. BERT 임베딩을 태스크 특화 인코더로 변환해 조건 제어력과 일반화 성능을 동시에 향상시켰습니다.

• 학회: IEEE CoG (Conference on Games) 2025 — Accept
• 저자: In-Chang Baek, Sung-Hyun Kim, Seo-Young Lee, Dong-Hyeon Kim, Kyung-Joong Kim

---

Contribution

GIST CILab 인턴십(2025년 1~2월) 중 참여했습니다.

• 훈련 데이터 편향 발견 및 보고 — 데이터 분포 분석 중 특정 레벨 패턴의 과대표현을 식별, 데이터 수집 전략 개선에 기여
• 데이터 파이프라인 최적화 — RAM 502GB+ → 150GB, 처리 시간 2시간 → 1시간으로 최적화. 실험 반복 속도 2배 향상

---

핵심 결과

• 태스크 특화 인코더가 범용 BERT 임베딩 대비 조건 제어력 21.4% 향상
• 미확인 지시에 대한 일반화 성능 17.2% 향상

자세한 과정은 인턴십 회고 포스트에서 확인할 수 있습니다.