피크-리턴 그리디 슬라이싱(PRGS)은 산둥대학교, 중국과학원, 리오토, 칭화대학교 등의 연구팀이 공동으로 제안한 알고리즘 프레임워크입니다. 관련 연구 결과는 [논문명 누락]에 게재되었습니다. 피크 반환 탐욕적 슬라이싱: 트랜스포머 기반 오프라인 강화 학습을 위한 부분 궤적 선택이 내용은 ICLR 2026에 채택되었습니다.

PRGS는 시간 단계 수준에서의 명시적인 궤적 분할을 통해 Transformer 기반 오프라인 강화 학습(Offline RL) 모델의 경험 연결 및 재구성 능력을 크게 향상시키는 것을 목표로 합니다. 기존 방법들은 종종 전체 궤적과 최종 보상에만 의존하여 긴 궤적 내에서 우수 구간과 열등 구간을 구분하기 어렵다는 한계를 극복하고자, 본 프레임워크는 세 가지 핵심 메커니즘(MMD 기반 보상 추정, 탐욕적 분할 정책, 적응형 이력 절단)을 활용하여 시간 단계 수준에서 정책 학습에 사용할 고품질 하위 궤적을 명시적으로 분할하고 추출합니다. 실험 결과, PRGS는 고보상 경험을 연결하는 모델의 능력을 크게 향상시켜, 여러 복잡한 환경 벤치마크에서 기존 기준 알고리즘 대비 평균 15.81 TP3T의 성능 향상을 달성했습니다.