# Scaling Offline RL via Efficient and Expressive Shortcut Models

### 저자

Nicolas Espinosa-Dice, Yiyi Zhang, Yiding Chen, Bradley Guo, Owen Oertell, Gokul Swamy, Kiante Brantley, Wen Sun

### 개요

본 논문은 확산 및 흐름 모델의 강력한 생성 능력에도 불구하고, 반복적인 노이즈 샘플링 과정으로 인해 오프라인 강화학습(RL)에 적용하는 데 어려움이 있음을 지적합니다. 이에 본 논문에서는 새로운 오프라인 RL 알고리즘인 SORL(Scalable Offline Reinforcement Learning)을 제시합니다. SORL은 새로운 유형의 생성 모델인 shortcut model을 활용하여 학습 및 추론의 확장성을 높입니다. SORL의 정책은 복잡한 데이터 분포를 포착할 수 있으며, 1단계 학습 절차로 간단하고 효율적으로 학습될 수 있습니다.  테스트 시에는 학습된 Q-함수를 검증자로 사용하여 순차적 및 병렬적 추론 확장성을 제공합니다. 다양한 오프라인 RL 작업에서 강력한 성능을 달성하며, 테스트 시간 계산량 증가에 따라 긍정적인 확장성을 보임을 실험적으로 증명하고, 코드를 공개합니다.

### 시사점, 한계점

- **시사점:**

    - shortcut model을 이용한 오프라인 RL 알고리즘 SORL 제시.

    - 1단계 학습 절차를 통해 학습 효율 증대.

    - 테스트 시간 계산량 증가에 따른 긍정적인 확장성.

    - 학습된 Q-함수를 활용한 순차적 및 병렬적 추론 확장성.

    - 다양한 오프라인 RL 작업에서의 강력한 성능.

    - 코드 공개를 통한 재현성 확보 및 연구 확장 용이성.

- **한계점:**

    - shortcut model의 일반화 성능 및 다양한 환경에 대한 적용성에 대한 추가적인 연구 필요.

    - 대규모 데이터셋에 대한 성능 평가 및 분석 부족.

    - 다른 최첨단 오프라인 RL 알고리즘과의 비교 분석 필요.

[PDF 보기](https://arxiv.org/pdf/2505.22866)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).