본 논문은 환경 변동에 대한 강건한 정책 훈련을 추구하는 분포적으로 강건한 오프라인 강화학습(RL)에서, 큰 상태-행동 공간에 대한 함수 근사의 필요성을 다룹니다. 역동성 불확실성을 고려하면 본질적인 비선형성과 계산 부담이 발생하여 함수 근사의 분석과 실제 적용에 어려움이 있습니다. 명목 모델과 변동된 모델이 선형적으로 매개변수화된 기본 설정에 집중하여, 함수 근사를 구현하는 최소-최대 최적이고 계산적으로 효율적인 알고리즘을 제안하고, 강건한 오프라인 RL에서의 인스턴스 종속적 최적이 아닌 정도 분석 연구를 시작합니다. 본 연구 결과는 강건한 오프라인 RL에서의 함수 근사가 표준 오프라인 RL에서의 함수 근사와 본질적으로 다르며 더 어려울 수 있음을 보여줍니다. 제안된 알고리즘과 이론적 결과는 분산 정보를 통합하는 새로운 함수 근사 메커니즘, 최적이 아닌 정도와 추정 불확실성 분해의 새로운 절차, 강건한 값 함수 감소의 정량화, 그리고 정교하게 설계된 어려운 인스턴스 집합에 크게 의존하며, 이는 독립적인 관심을 가질 수 있습니다.
