본 논문은 미지의 환경에 대한 강화학습 에이전트의 일반화 문제를 해결하기 위해, Unsupervised Environment Design (UED) 프레임워크를 개선한 TRACED(Transition-aware Regret Approximation with Co-learnability for Environment Design)를 제안합니다. 기존 UED는 가치함수 손실만을 이용하여 학습 잠재력을 측정하는 반면, TRACED는 전이 예측 오차를 추가하고, 서로 다른 과제 간의 학습 효과를 측정하는 '공동 학습 가능성(co-learnability)' 지표를 도입했습니다. 실험 결과, TRACED는 여러 벤치마크에서 제로샷 일반화 성능을 향상시키고, 기존 방법보다 최대 2배 적은 환경 상호작용으로 학습을 완료했습니다. 이는 전이 예측 오차가 복잡도 증가를 가속화하고, 공동 학습 가능성이 추가적인 성능 향상을 가져온다는 것을 보여줍니다.
