본 논문은 다양한 교차로 토폴로지와 상호 작용 역학을 가진 실제 교통 네트워크의 이질성 문제를 해결하기 위해, 효율적이고 적응력 있는 네트워크 전체 ATSC(Adaptive Traffic Signal Control)를 위한 범용적이고 협력적인 MARL(multi-agent reinforcement learning) 프레임워크인 Unicorn을 제시한다. Unicorn은 다양한 토폴로지를 가진 교차로의 상태와 행동을 교통 이동을 기반으로 공통 구조에 매핑하는 통합 접근 방식을 제안하고, 다양한 교통 시나리오에 대한 모델의 적응성을 향상시키기 위해 디코더 전용 네트워크를 사용하는 UTR(Universal Traffic Representation) 모듈을 설계한다. 또한, 변분 추론 기법을 통해 교차로의 고유한 토폴로지와 교통 역학을 나타내는 주요 잠재 벡터를 식별하는 ISR(Intersection Specifics Representation) 모듈을 통합하고, 자기 지도 방식의 대조 학습을 통해 이러한 잠재 표현을 더욱 개선하여 교차로별 특징을 더 잘 구분한다. 마지막으로, 이웃 에이전트의 상태-행동 종속성을 정책 최적화에 통합하여 동적 에이전트 상호 작용을 효과적으로 포착하고 효율적인 지역 협업을 가능하게 한다. 실험 결과, Unicorn이 다양한 평가 지표에서 다른 방법들을 능가함을 보여준다.
