본 논문은 강화학습(Reinforcement Learning, RL)의 해석성 부족 문제를 해결하기 위해 연속적인 행동 공간에서 반실증적 설명(counterfactual explanation)을 생성하는 새로운 방법을 제시합니다. 이는 결과를 개선하면서 원래 행동 순서와의 차이를 최소화하는 대안적인 행동 순서를 계산하여 "만약 ~했다면" 시나리오에 대한 답을 제공합니다. 연속적인 행동에 대한 거리 측정을 활용하고 특정 상태에서 미리 정의된 정책을 준수하는 등의 제약 조건을 고려합니다. 당뇨병 관리 및 달 착륙 등 두 가지 RL 영역에서의 평가를 통해 제안된 방법의 효과성, 효율성 및 일반화 능력을 보여주며, 보다 해석 가능하고 신뢰할 수 있는 RL 응용 프로그램을 가능하게 합니다.
