본 논문은 컴퓨터 비전(CV)과 자연어 처리(NLP)에서 대규모 네트워크가 과적합을 피하는 현상에 착안하여, 심층 강화 학습(deep RL)에서의 네트워크 확장을 위한 새로운 아키텍처 SimBa를 제시합니다. SimBa는 관측값 정규화 계층, 잔차 피드포워드 블록, 계층 정규화 계층의 세 가지 구성 요소로 이루어져 있으며, 이를 통해 단순성 편향(simplicity bias)을 유도하여 과적합을 방지하고 일반화 성능을 향상시킵니다. 다양한 심층 강화 학습 알고리즘(오프-정책, 온-정책, 비지도 학습 방법 포함)에서 SimBa를 적용한 결과, 샘플 효율성이 향상되었으며, 특히 SAC 알고리즘에 SimBa를 적용한 경우 DMC, MyoSuite, HumanoidBench 등 다양한 환경에서 최첨단 성능을 달성하거나 능가하는 결과를 보였습니다.
