본 논문은 심층 강화학습(Deep Reinforcement Learning, DRL)에서 행동 메트릭(특히, 비슷성 메트릭)을 근사하여 표현 공간에 이를 적용하는 상태 추상화 접근법을 체계적으로 평가합니다. 기존 연구에서는 과업과 무관한 노이즈에 대한 강건성을 보였으나, 메트릭 추정의 정확성과 성능 향상의 원인은 불명확했습니다. 본 연구는 다양한 설계 선택지를 가진 등거리 임베딩(isometric embeddings)으로 개념적으로 통합된 5가지 최근 접근법을 20개의 상태 기반 및 14개의 픽셀 기반 과업(총 370개의 과업 구성)에서 다양한 노이즈 설정을 사용하여 벤치마킹합니다. 최종 수익률 외에도, 인코더의 방해 요소 필터링 능력을 정량화하기 위해 잡음 제거 계수(denoising factor)를 평가합니다. 메트릭 학습 효과를 더욱 명확히 하기 위해, 인코더가 메트릭 손실에만 영향을 받는 독립적인 메트릭 추정 설정을 제안하고 평가합니다. 마지막으로, 재현성을 높이고 향후 메트릭 학습 연구를 지원하기 위해 모듈형 오픈소스 코드베이스를 공개합니다.
