---
id: RL-PER-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, reinforcement-learning, prioritized-experience-replay, per, dqn, learning-efficiency]
last_reinforced: 2026-04-26
---

# Prioritized Experience Replay (우선순위 경험 재생)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "모든 과거를 공평하게 기억하지 말고, 예상 밖의 '충격적 경험(TD Error)'을 더 자주 복기하여 학습의 가속도를 높여라" — 강화학습 에이전트의 경험 저장소(Replay Buffer)에서 학습 효율이 높은 중요한 샘플에 가중치를 두어 우선적으로 샘플링하는 기법.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Learning from Surprise and Weighted Importance Sampling" — 현재 모델이 예측한 가치와 실제 결과 사이의 차이(TD Error)가 큰 샘플일수록 '아직 배울 것이 많다'고 판단하여, 해당 데이터를 더 자주 학습에 활용함으로써 수렴 속도를 비약적으로 향상시키는 패턴.
- **핵심 메커니즘:**
    - **Priority ($p_i$):** TD Error에 비례하여 산정.
    - **Sampling Probability:** 우선순위에 따른 확률 분포 생성.
    - **Importance Sampling Weights:** 우선순위 샘플링으로 인한 데이터 편향을 수학적으로 보정하여 학습 안정성 유지.
- **의의:** 무작위 샘플링(Uniform Sampling)보다 훨씬 적은 경험 데이터로도 복잡한 작업을 빠르게 마스터하게 하며, 드문 보상(Sparse Reward) 환경에서 결정적인 역할을 수행함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 초기 DQN의 무작위 재생 방식에서 벗어나, 이제는 데이터의 '질적 가치'를 평가하여 학습에 반영하는 지능적 데이터 선별 방식이 현대 강화학습의 정석으로 자리 잡음.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 예외 상황 처리 능력을 키울 때, 과거의 실패 사례 중 모델의 예측 오차가 가장 컸던 지점들을 우선적으로 재학습시키는 PER 전략을 적용함.

## 🔗 지식 연결 (Graph)
- Experience-Replay-Strategies, [[Off-policy-vs-On-policy-Learning]], [[Deep-Q-Networks-DQN]], [[Reinforcement-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/Prioritized-Experience-Replay.md