Elastic Decision Transformers (EDTs)는 오프라인 강화 학습에서 성공적이며, 불확실성 하에서 시퀀스 모델링과 의사 결정을 통합하는 유연한 프레임워크를 제공한다. 내적 동기 부여 메커니즘을 EDTs에 통합하면 탐험 작업에서 성능이 향상되지만, 이러한 개선의 근본적인 표현 메커니즘은 탐구되지 않았다. 본 논문에서는 내적 동기 부여가 EDTs에서 학습된 임베딩을 어떻게 형성하는지 분석하기 위해 체계적인 사후 설명 가능성 프레임워크를 제시한다. 임베딩 속성(공분산 구조, 벡터 크기, 직교성 포함)의 통계적 분석을 통해, 서로 다른 내적 동기 부여 변형이 근본적으로 다른 표현 구조를 생성한다는 것을 밝힌다. 환경별 상관 관계 패턴이 임베딩 메트릭과 성능 간에 존재하며, 이는 내적 동기 부여가 정책 학습을 향상시키는 이유를 설명한다.
