연구진이 RAG(Retrieval-Augmented Generation)를 활용한 정책 학습 방법론을 제안했어요. 잠재적 결과 프레임워크 하에 RAG 기반 행동 선택을 공식화했어요. 두 단계 방법에서는 벡터 검색을 통해 행동별 인접 증거를 임베딩 공간에서 검색하고, 생성기는 조건부 기대 결과 또는 대비를 추정하며, 플러그인 규칙으로 행동을 선택해요.
후보 생성 후회와 후보 내 선택 후회로 분해하여 두 단계 방법의 후회를 분석하고, 트랜스포머와 최근접 이웃 추정기를 위한 예측 오류 보장을 활용하여 후회를 제한했어요. 연구진은 RAG 기반 정책 학습의 중간 계산이 관찰되지 않는 원-스텝 방법론을 정책으로 직접 평가했어요.
이번 연구는 행동별 벡터 검색을 인과 추론에서의 최근접 이웃 매칭과 연결하여 RAG 기반 정책 학습의 새로운 가능성을 제시해요.