본 논문은 목표 조건 강화 학습(GCRL)에서 시각적 환경의 고차원적이고 의미적으로 희소한 관측값으로 인해 발생하는 어려움을 해결하는 방법을 제시합니다. 기존의 오토인코더 기반 접근 방식은 에이전트가 자주 방문하는 제한된 상태 집합을 과대표하는 잠재 공간으로 수렴될 수 있다는 문제점이 있습니다. 본 논문에서는 잠재 공간에 대한 균일한 분포로의 분포 변화를 점진적으로 강화하여 환경에서 학습할 수 있는 기술의 완전한 적용 범위를 보장하는 DRAG(Distributionally Robust Auto-Encoding for GCRL)를 제안합니다. DRAG는 β-VAE 프레임워크와 분포적으로 강건한 최적화를 결합하여, VAE의 훈련 상태에 대한 적대적 신경 가중치를 활용하여 현재 데이터 분포와 환경의 보이지 않는 부분 간의 불일치를 고려합니다. 이를 통해 에이전트는 즉각적인 경험을 넘어 의미있는 잠재 공간을 구성할 수 있습니다. 미리 훈련하거나 환경에 대한 사전 지식 없이 미로 및 벽을 우회하는 로봇 제어와 같은 어려운 탐색 환경에서 상태 공간 적용 범위와 제어 성능을 향상시킵니다.
