최근 몇 년간 강화 학습(RL) 기법에 대한 관심과 채택이 증가했지만, 성능 중심 연구가 학습 역학에 대한 이해를 저해하고, 벤치마크 과적합을 유발하여 새로운 문제에 대한 기술 이전을 어렵게 만들 수 있다는 점을 지적한다. 본 논문은 RL 연구가 에이전트 성능 시연에만 집중하는 것을 중단하고, 강화 학습의 과학적 이해를 증진해야 하며, 벤치마크가 기반 수학적 형식에 어떻게 매핑되는지에 대한 정확성을 높여야 한다고 주장한다. 또한, 인기가 높은 Arcade Learning Environment (ALE)를 예시로 사용하여, "포화"된 것으로 간주되는 벤치마크에서도 RL 기술의 이해를 개발하고 실제 문제 적용을 용이하게 할 수 있음을 제시한다.
