생쥐와 같은 설치류에 대한 연구는 변화에 대한 정보가 제공되지 않더라도 (불확실성), 환경의 변화하는 파라미터("drift")를 다룰 때 행동을 적응시키는 능력을 보여주었습니다. 이는 망각 메커니즘 (forgetting mechanisms)으로 모델링할 수 있는 행동입니다. 비정상적 강화학습 (Non-stationary Reinforcement Learning (NSRL))은 변화하는 환경에 대처하기 위해 최첨단 강화학습 (RL) 방법론을 적응시키는 문제를 다룹니다. 그러나 이러한 방법들은 대개 "태스크 ID (task IDs)"나 "컨텍스트 (context)"와 같이 drift에 대한 (부분적으로) 완벽한 정보를 필요로 합니다. drift의 영향을 완화하기 위해, 본 연구는 단순하면서도 효과적인 접근 방식으로서 가치 기반 심층 강화학습 (value-based deep RL) 아키텍처를 위한 명시적 망각 메커니즘인 extit{Space-sampled Value Decay}를 개발합니다. 특히, 우리는 비정상적 환경에서 평가되었을 때 Deep Q-networks (DQN) 및 Soft Actor-Critic (SAC)의 수정 사항이 달성한 수익 (returns) 측면에서의 긍정적인 효과뿐만 아니라 한계점도 입증하고 논의합니다.