본 논문은 관찰 데이터만을 이용한 사전 학습 효율성이 뛰어난 잠재 행동 학습(Latent Action Learning)의 한계점을 다룬다. 기존의 잠재 행동 정책(LAPO)은 방해 요소가 없는 데이터에 초점을 맞춰왔으나, 실제 영상에는 행동과 상관된 방해 요소가 존재한다. 본 논문은 Distracting Control Suite(DCS)를 이용하여 방해 요소가 잠재 행동 학습에 미치는 영향을 실험적으로 조사하고, LAPO가 이러한 상황에서 어려움을 겪는다는 것을 보여준다. 이에 따라, 선형 탐색을 통해 잠재 행동의 질을 8배 향상시키는 LAPO 개선안인 LAOM을 제안한다. 또한, 전체 데이터셋의 2.5%에 불과한 지상 진실 행동에 대한 감독을 잠재 행동 학습 중에 제공하면, 후속 작업 성능이 평균 4.2배 향상됨을 보여준다. 결론적으로, 방해 요소가 존재하는 경우 잠재 행동 모델(LAM) 학습 중에 감독을 통합하는 것이 중요하며, 먼저 LAM을 학습하고 나중에 잠재 행동을 지상 진실 행동으로 디코딩하는 기존 방식에 도전장을 내민다.
