본 논문에서는 강화학습에서 경험 재현의 효율성을 높이기 위해 새로운 방법인 EDER(Efficient Diversity-based Experience Replay)를 제안합니다. 기존의 균등 또는 우선 순위 샘플링 기반 경험 재현 방법들이 고차원 상태 공간을 가진 실제 환경에서 효율성이 떨어지는 문제를 해결하기 위해, EDER은 샘플 간 다양성을 모델링하는 데르미난탈 포인트 프로세스를 사용하고 다양성에 기반하여 재현을 우선 순위화합니다. 고차원 상태 공간을 효율적으로 처리하기 위해 콜레스키 분해를 사용하고, 다양성이 높은 샘플을 선택하기 위해 거절 샘플링을 적용하여 학습 효율을 향상시킵니다. MuJoCo의 로봇 조작 작업, Atari 게임, Habitat의 실제 실내 환경에서의 광범위한 실험을 통해 EDER이 고차원의 실제 환경에서 학습 효율과 성능을 모두 크게 향상시킨다는 것을 보여줍니다.
