본 논문은 고급 인공 에이전트가 종료에 저항하지 않도록 보장하기 위한 불완전 선호 제안(IPP)을 제시한다. IPP의 핵심은 새로운 '동일 길이 궤적에 대한 할인 보상(DReST)' 보상 함수를 사용하여 에이전트가 (1) 각 궤적 길이를 조건으로 목표를 효과적으로 추구하고 (USEFUL), (2) 서로 다른 궤적 길이 간에 확률적으로 선택하도록 (궤적 길이에 대해 NEUTRAL) 훈련하는 것이다. 본 논문에서는 USEFULNESS와 NEUTRALITY에 대한 평가 지표를 제안하고, DReST 보상 함수를 사용하여 간단한 에이전트를 훈련시켜 그리드 월드를 탐색하게 한 후, 이러한 에이전트가 USEFUL하고 NEUTRAL하게 학습하는 것을 확인했다. 이 결과는 DReST 보상 함수가 고급 에이전트를 USEFUL하고 NEUTRAL하게 훈련시킬 수 있다는 초기 증거를 제공하며, 이러한 에이전트는 유용하고 종료 가능할 것이라는 이론적 근거를 제시한다.
