에이전트 경험으로부터의 샘플 효율적 학습

연구진은 추가 환경 상호작용 없이 에이전트의 유용한 상호작용 기록을 모델 가중치로 압축하는 Experience Distillation을 제안했다.

소프트웨어 엔지니어링 과제와 텍스트 어드벤처 게임에서, 이 방법은 인컨텍스트 러닝의 효과를 상당 부분 유지했다.

또한 같은 경험으로 직접 파인튜닝하는 방식보다 더 나은 성능을 보였다.

이 접근법은 표준 강화학습보다 훨씬 적은 샘플로 에이전트를 학습시키는 데 도움이 될 수 있다.