본 논문은 순차적 의사결정에서의 task robust adaptation 문제를 다룹니다. 기존의 risk-averse 전략들은 계산 비용이 많이 드는 어려운 task에 우선순위를 두어 최적화를 진행하지만, 효율성 문제가 있습니다. 이를 해결하기 위해 risk-predictive model을 이용한 robust active task sampling을 제안합니다. 본 논문은 robust active task sampling의 최적화 과정을 Markov decision process로 모델링하고, 이론적 및 실제적 통찰을 제공하며, risk-averse 시나리오에서의 robustness 개념을 제시합니다. 특히, Posterior and Diversity Synergized Task Sampling (PDTS)라는 쉽게 구현 가능한 방법을 제안하여 빠르고 강건한 순차적 의사결정을 가능하게 합니다. 실험 결과, PDTS는 robust active task sampling의 잠재력을 극대화하고, 어려운 task에서 zero-shot 및 few-shot adaptation의 강건성을 크게 향상시키며, 특정 시나리오에서는 학습 과정까지 가속화함을 보여줍니다.
