본 논문은 시연 학습에서 특징 기반 방법과 GAN 기반 방법을 비교 분석하여 보상 함수의 구조와 정책 학습에 대한 영향에 초점을 맞추고 있습니다. 특징 기반 방법은 고충실도 모션 모방에 뛰어난 해석 가능한 밀집 보상을 제공하지만, 종종 정교한 참조 표현이 필요하며 비구조적 환경에서의 일반화에 어려움을 겪습니다. 반면 GAN 기반 방법은 확장성과 적응성을 가능하게 하는 암시적 분포적 감독을 사용하지만, 훈련 불안정성과 조잡한 보상 신호에 취약합니다. 두 패러다임의 최근 발전은 매끄러운 전환, 제어 가능한 합성 및 향상된 작업 통합을 가능하게 하는 구조화된 모션 표현의 중요성에 수렴하고 있습니다. 본 논문에서는 특징 기반 방법과 GAN 기반 방법 사이의 이분법이 점점 더 미묘해지고 있으며, 한 패러다임이 다른 패러다임을 지배하는 것이 아니라 작업별 우선 순위(충실도, 다양성, 해석 가능성, 적응성 등)에 따라 선택해야 한다고 주장합니다. 이 연구는 방법 선택의 기초가 되는 알고리즘적 트레이드오프와 설계 고려 사항을 제시하여 시연 학습에서 원칙에 기반한 의사 결정을 위한 프레임워크를 제공합니다.
