본 논문은 강화학습 에이전트가 훈련 과정에서 접하지 못한 새로운 행동에 대해 일반화하는 능력을 향상시키는 새로운 제로샷 학습 프레임워크인 AGLO(Action Generalization from Limited Observations)를 제안합니다. AGLO는 제한된 관측 데이터로부터 행동 표현을 학습하는 모듈과 학습된 행동 표현과 인공적으로 생성된 행동 표현을 활용하여 새로운 행동을 포함하는 작업에 대한 정책을 학습하는 모듈로 구성됩니다. 기존의 제로샷 행동 일반화 방법들과 달리, AGLO는 제한된 관측 데이터만을 사용하여 실제 환경에 적용 가능성을 높였으며, 다양한 벤치마크 작업에서 기존 방법들보다 우수한 성능을 보였습니다.
