We address the problem of preference learning in multi-user smart spaces in the viewpoint of distributed multi-agent system and algorithm. As multiple users may have different and conflicting preferences, the preference learning system should be able to understand the resolution methods so that it can provide appropriate services to groups. Moreover, due to the large number of user groups, an efficient learning scheme is needed to deal with the group preference learning. We suggest a method that utilizes task-dependent weights that resolve the conflicts and are learned over time according to the users' behaviors. Also, we propose incremental preference differentiation scheme that is useful to manage large leaning space and speed up the learning of similar preferences. We have successfully evaluated the proposed system and algorithm by a simulation experiment in a testbed equipped with eight smart objects.
이 논문에서는 여러 사용자가 함께 사용하는 지능 공간에서 사용자의 선호를 학습하는 분산 시스템의 구조와 알고리즘을 다룬다. 여러 사용자가 동시에 지능 공간을 사용할 경우 사용자 간 상이한 선호에 따른 충돌이 해소되어야 하기 때문에, 선호 학습을 위해서는 사용자들이 충돌을 해소하고 그룹의 선호를 도출하는 과정을 관찰하고 학습할 필요가 있다. 또한 그룹의 개수는 사용자의 수에 기하급수적으로 늘어남에 따라 학습 성능에 큰 영향을 주므로, 큰 학습 공간을 효율적으로 다루어야 한다. 이 논문에서는 태스크에 따른 우선순위 가중치를 활용하여 사용자의 서로 다른 선호 간의 충돌이 해소되도록 하며, 태스크 가중치가 계속적으로 학습되는 알고리즘을 제시한다. 뿐만 아니라 사용자 선호의 점증 분화 기법을 활용하여 늘어나는 학습 공간을 제어하고 학습이 효율적으로 이루어질 수 있도록 한다. 제안된 알고리즘을 검증하기 위하여 8종의 지능 사물이 설치된 테스트베드에서 시뮬레이션 실험을 수행하며, 알고리즘과 시스템이 효과적으로 동작함을 보인다.
