본 논문은 불완전 정보 게임을 효과적으로 해결하기 위한 알고리즘인 Counterfactual Regret Minimization (CFR)의 적용성을 향상시키기 위해 딥러닝을 활용하는 연구를 제시한다. 특히, 기존 연구들이 고급 CFR 변형을 효과적으로 통합하는 데 어려움을 겪는다는 점을 해결하고자, 모델 프리 신경 CFR 알고리즘을 제안한다. 제안하는 알고리즘은 가치 네트워크를 기반으로 분산 감소된 샘플링된 장점을 수집하고, 부트스트래핑을 통해 누적 장점을 적합하며, 고급 CFR 변형의 업데이트 메커니즘을 시뮬레이션하기 위해 할인 및 클리핑 연산을 적용한다. 실험 결과는 제안하는 알고리즘이 기존 모델 프리 신경 알고리즘보다 일반적인 불완전 정보 게임에서 더 빠른 수렴 속도를 보이며, 대규모 포커 게임에서 더 강력한 적대적 성능을 보임을 보여준다.
