본 논문은 구조화된 데이터에서 특징 변환을 위한 새로운 이종 멀티 에이전트 강화 학습(RL) 프레임워크를 제안합니다. 심층 학습 모델이 복잡한 특징 상호 작용을 포착하는 데 어려움을 겪는 구조화된 데이터에서 특징 변환은 여전히 중요합니다. 기존 연구의 한계를 극복하기 위해, 동적 특징 확장으로 인한 불안정성과 에이전트 간의 불충분한 협력을 해결하는 데 초점을 맞췄습니다. 제안된 프레임워크는 특징 선택과 교차를 위해 설계된 세 개의 이종 에이전트로 구성되며, 공유 비평 메커니즘을 통해 통신을 개선합니다. 또한, 동적으로 확장되는 특징 공간을 처리하기 위해 멀티 헤드 어텐션 기반 특징 에이전트를 사용하고, RL 에이전트의 학습 안정성을 위한 상태 인코딩 기술을 도입했습니다.
