본 논문은 강화학습에서 희소 보상 문제를 해결하기 위해 보조 정보 보상을 통해 즉각적인 피드백을 제공하는 보상 형성 전략을 기반으로, 중앙 집중식 보상 에이전트(CRA)와 여러 분산 정책 에이전트를 통합하는 새로운 다중 작업 강화 학습 프레임워크를 제안한다. CRA는 다양한 작업에서 지식을 추출하고 개별 정책 에이전트에 배포하여 학습 효율을 향상시키는 지식 풀 역할을 한다. 특히, 형성된 보상은 지식을 인코딩하는 간단한 지표 역할을 한다. 이 프레임워크는 기존 작업 간의 지식 공유를 향상시킬 뿐만 아니라 의미 있는 보상 신호를 전달하여 새로운 작업에도 적응한다. 대표적인 메타 월드 벤치마크를 포함한 이산 및 연속 도메인에서 제안된 방법을 검증하여 다중 작업 희소 보상 설정에서의 강건성과 보이지 않는 작업으로의 효과적인 전달성을 보여준다.
