본 논문은 시각 기반 강화 학습 에이전트의 새로운 환경으로의 일반화 문제를 해결하기 위해, 연산 신경과학의 최근 발전에서 영감을 얻은 Associative Latent DisentAnglement (ALDA) 모델을 제안합니다. ALDA는 표준 오프-폴리시 강화 학습을 기반으로 하며, 잠재적 분리(latent disentanglement)와 연관 기억 모델을 결합하여 데이터 증강에 의존하지 않고 어려운 작업 변형에 대한 제로샷 일반화를 달성합니다. 또한, 데이터 증강 기법이 약한 분리의 한 형태임을 공식적으로 보여주고 그 함의를 논의합니다.
