선형 순환 신경망 (Linear Recurrent Neural Networks) 제품군은 부분 관측 강화학습 (Partially Observable Reinforcement Learning)에서 순환 메모리 유닛 (Recurrent Memory Units)으로서 강력한 성능을 보여주었습니다. 본 연구에서는 두 가지 선형 필터 (Linear Filters)를 구축하고 연구함으로써 이들의 경험적 효과에 대한 이론적 근거를 제공합니다: (i) 첫 번째 필터는 결정론적 전이 행렬 (Deterministic Transition Matrix) 하의 은닉 마르코프 모델 (Hidden Markov Model, HMM)에서 신념 벡터 (Belief Vector)의 소프트맥스 전 로짓 (Pre-softmax Logits)을 정확하게 재현하며, 이를 통해 최적 정책 학습 (Optimal Policy Learning)을 위한 충분 통계량 (Sufficient Statistic) 역할을 수행합니다. (ii) 두 번째 필터는 거의 결정론적인 전이 행렬 하에서 상태 디코딩 오차 (State-decoding Error)를 소멸시켜, 상태 모호성 (State Ambiguity)을 거의 제로에 가깝게 줄입니다. 이러한 결과는 행동 제어형 HMM (Action-controlled HMMs)으로 확장되며, 여기서 대응하는 선형 필터는 행동 의존적 역학 (Action-dependent Dynamics)에 따라 시변 (Time-varying) 특성을 갖게 됩니다. 우리는 수치 실험을 통해 주요 결과를 입증하며, 구축된 선형 필터가 작은 강화학습 게임에서 강력한 특징 추출기 (Feature Extractor) 역할을 한다는 것을 추가로 보여줍니다.