본 논문은 정책 경사 방법의 성능 저하 원인인 기울기 추정의 높은 분산을 해결하기 위해, 신뢰도가 높은 성능 추정을 기반으로 정책을 선택적으로 업데이트하는 보상 프로파일링 프레임워크를 제안합니다. 제안된 프레임워크는 기존 정책 경사 알고리즘에 통합될 수 있으며, 이론적으로 기존 방법의 수렴 속도를 저하시키지 않으면서 성능을 안정적으로 향상시킬 수 있음을 보입니다. 8개의 연속 제어 벤치마크 (Box2D, MuJoCo, PyBullet)에서 최대 1.5배 빠른 수렴 속도와 최대 1.75배의 반환 분산 감소를 달성했습니다.
