RLの剃刀：オンポリシーRLはSFTよりも忘れにくい。

一致した精度でも、RLは壊滅的な忘却が少ないことを示しています。

主な調査結果:
1) RLはSFTよりも「忘れ」ることが少ない傾向があります。
2) オンポリシー RL (PPO) はオフポリシー RL (DQN) よりも忘れにくい。
3) 一致した精度でも、RLは壊滅的な忘却が少ないことを示しています