Artificial Intelligence & Probabilistic Reasoning Lab은 목표 조건 오프라인 강화학습 분야에서 두드러진 성과를 내고 있습니다. 이 연구는 주어진 목표를 달성하기 위해 과거의 경험에서 추출한 하위 경로들을 연결하는 방법을 연구합니다. 최근 연구에서는 조건부 확산 모델을 사용하여 목표 조건 하에 하위 경로를 적절히 연결하는 기술을 개발하였습니다. 이러한 접근법은 정책 학습의 효율성을 크게 개선하며, 특히 실제 환경에서의 적용 가능성을 높이는 데 기여하고 있습니다. 또한, 강화학습 정책 평가를 위한 커널 메트릭 학습을 통해 결정론적 정책의 성능을 평가하는 데 있어서도 중요한 진전을 보였습니다. 이 연구는 인공지능과 확률적 추론을 결합하여 복잡한 결정 문제를 효과적으로 해결하는 데 중점을 두고 있습니다.