본 논문은 지연된 보상에도 효율적으로 학습하는 생물학적 신경 시스템의 메커니즘을 모방하여, 자원 제약 환경이나 비미분 가능한 구성 요소를 포함하는 시스템에서도 적용 가능한 새로운 노이즈 기반 학습 규칙을 제시합니다. 기존의 보상 조절 헤브 학습(RMHL)의 한계인 시간 지연 및 계층적 처리 문제를 해결하기 위해, 보상 예측 오차를 최적화 목표로 사용하고 적격성 추적(eligibility trace)을 통합하여 후향적 신용 할당을 가능하게 하는 알고리즘을 제안합니다. 이 방법은 국지적인 정보만을 사용하며, 강화 학습 과제(즉각적 및 지연된 보상)에서 RMHL보다 뛰어나고 역전파(BP)와 유사한 성능을 달성함을 실험적으로 검증합니다. 비록 수렴 속도가 느리지만, 에너지 효율과 생물학적 타당성이 중요한 저전력 적응 시스템에 적용 가능성을 보여줍니다. 또한 도파민 유사 신호와 시냅스 확률성이 생물학적 네트워크 학습에 기여하는 메커니즘에 대한 통찰력을 제공합니다.
