본 논문은 Monte Carlo Tree Search (MCTS)에서 기대 수익만 고려하는 의사결정의 한계를 지적하고, 극단적인 위험 결과(tail-risk)를 고려한 안전한 의사결정을 위한 두 가지 새로운 방법을 제시한다. 첫째, Conditional Value-at-Risk (CVaR)을 MCTS에 통합한 CVaR-MCTS를 제안하여 "최악의 $(1-\alpha)$ 시나리오"에서의 예상 손실에 대한 명시적인 tail-risk 제어를 달성한다. 둘째, 제한된 샘플로 인한 tail-risk 추정 편향을 해결하기 위해, radius $\varepsilon_{s}$를 갖는 1차 Wasserstein ambiguity set $\mathcal{P}{\varepsilon{s}}(s,a)$를 도입하여 tail-risk 추정의 불확실성을 특징짓는 Wasserstein-MCTS (W-MCTS)를 제안한다. 두 방법 모두에 대한 PAC tail-safety 보장과 regret을 증명하고, 다양한 시뮬레이션 환경에서 기존 방법보다 우수한 성능을 보임을 실험적으로 입증한다.
