In this paper, a unified framework for exploration in reinforcement learning (RL) is proposed based on an option-critic model. The proposed framework learns to integrate a set of diverse exploration strategies so that the agent can adaptively select the most effective exploration strategy over time to realize a relevant exploration-exploitation trade-off for each given task. The effectiveness of the proposed exploration framework is demonstrated by various experiments in the MiniGrid and Atari environments.
이 논문에서는 옵션-크리틱 모델을 기반으로 한 강화 학습(RL)에서의 탐색을 위한 통합된 프레임워크를 제안하였다. 제안된 프레임워크는 다양한 탐색 전략들을 통합하며 학습하여, 에이전트가 시간이 지남에 따라 가장 효과적인 탐색 전략을 적응적으로 선택할 수 있도록 한다. 이를 통해 에이전트는 각 주어진 과제에 대한 적절한 탐색-이용 트레이드오프를 실현할 수 있다. 제안된 탐색 프레임워크의 효과는 MiniGrid 및 Atari 환경에서의 다양한 실험을 통해 입증되었다.