본 논문은 다중 에이전트 환경에서의 비지도 사전 학습, 특히 작업과 무관한 탐색(task-agnostic exploration)에 초점을 맞추고 있다. 단일 에이전트 환경에서는 작업과 무관한 탐색이 엔트로피 극대화를 통해 잘 연구되어 있지만, 다중 에이전트 환경에서는 아직 미지의 영역이 많다. 본 논문은 다양한 문제 공식화 방식을 특징짓고, 이론적 해결 가능성에도 불구하고 실제로는 어려운 문제임을 강조한다. 이후, 실제 환경에서 문제를 해결하기 위한 확장 가능하고 분산된 신뢰 영역 정책 탐색 알고리즘을 제시하고, 혼합 엔트로피(mixture entropy) 최적화를 통해 추론 용이성과 성능 간의 균형을 달성함을 수치적 검증을 통해 보여준다.
