본 논문은 기존의 온라인 학습 알고리즘이 모든 실수를 복구할 수 있다고 가정하는 한계를 지적하며, 일부 실수가 돌이킬 수 없는 '치명적' 실수일 경우를 고려한 새로운 온라인 학습 문제를 제시합니다. 각 라운드의 보상을 '재앙 회피 확률'로 정의하고, 제한된 멘토 질의 횟수 내에서 재앙 회피 확률의 곱(전체 재앙 회피 확률)을 극대화하는 것을 목표로 합니다. 유사한 입력 간 지식 전이를 허용하며, 일반적인 경우 멘토 질의율이 선형이거나 재앙 발생 확률이 거의 1에 가까워짐을 증명합니다. 하지만 표준 온라인 모델에서 멘토 정책 클래스가 학습 가능한 환경에서는 멘토 질의율과 후회(regret)가 시간 지평선이 커짐에 따라 0에 수렴하는 알고리즘을 제시합니다. 보상의 곱에 초점을 맞추었지만, 일반적인 가산적 후회에 대한 경계도 제시합니다. 핵심적으로, 치명적 위험이 없을 때 정책 클래스가 학습 가능하다면, 멘토의 도움을 받을 수 있다면 치명적 위험이 있을 때도 학습 가능함을 보여줍니다.
