본 논문은 강화학습(RL)에서 알고리즘 성능에 중요한 영향을 미치는 하이퍼파라미터 최적화(HPO) 문제에 대해 다룹니다. 특히 확률적 커리큘럼 학습(PCL) 알고리즘의 HPO에 초점을 맞춰, 점 미로 탐색 및 DC 모터 제어와 같은 표준 RL 작업에서 하이퍼파라미터 상호작용 및 성능에 대한 영향을 실험적으로 분석합니다. AlgOS 프레임워크와 Optuna의 TPE(Tree-Structured Parzen Estimator)를 통합하여 하이퍼파라미터 탐색 공간을 개선하고 최적화 효율을 높이는 전략을 제시하며, SHAP 기반의 새로운 해석 가능성 접근 방식을 통해 개별 하이퍼파라미터와 상호작용이 RL 성능에 미치는 영향에 대한 명확한 통찰력을 제공합니다. 결과적으로 RL에서 HPO의 효율성과 계산 가능성을 크게 향상시키는 실용적인 지침과 해석 가능성 도구를 제시합니다.
