본 논문은 로봇 제어와 같이 훈련 시점에 알 수 없는 다양한 작업들을 포함하는 동적 의사결정 문제를 다룬다. 기존의 다중 작업 및 메타 강화 학습 방법들은 작업의 다양성이 높을 때 일반화 성능이 떨어지는 한계를 지닌다. 반면, 작업 임베딩을 정책 컨텍스트로 사용하거나 작업 클러스터링을 하는 등의 다양한 작업을 다루는 접근 방식은 성능 보장이 부족하고 많은 훈련 작업을 필요로 한다. 이러한 문제를 해결하기 위해, 본 논문은 실행 중에 발생하는 작업에 대해 최적 근사 정책을 높은 확률로 포함하는 정책 위원회를 학습하는 새로운 접근 방식을 제안한다. 이 문제가 일반적으로 근사 불가능함을 보이지만, 두 가지 실용적인 알고리즘 솔루션을 제시한다. 첫 번째 솔루션은 작업이 저차원일 때 증명 가능한 근사 및 작업 샘플 복잡도 보장을 제공하며(근사 불가능성으로 인해 최선의 방법임), 두 번째 솔루션은 일반적이고 실용적인 기울기 기반 접근 방식이다. 또한, 몇 번의 학습(few-shot learning)에 대한 증명 가능한 샘플 복잡도 경계를 제공한다. MuJoCo와 Meta-World에 대한 실험 결과, 제안된 접근 방식은 기존의 다중 작업, 메타 및 작업 클러스터링 기준보다 훈련, 일반화 및 몇 번의 학습에서 종종 큰 차이로 성능이 우수함을 보여준다.
