본 논문은 관찰 데이터만을 사용한 사전 학습 효율성이 뛰어난 잠재 행동 학습(LAPO)의 한계점을 다룹니다. 기존 LAPO는 방해 요소가 없는 데이터에 집중되어 실제 영상의 행동 관련 방해 요소를 고려하지 못했습니다. 연구진은 Distracting Control Suite (DCS)를 사용하여 방해 요소가 잠재 행동 학습에 미치는 영향을 실험적으로 조사하고, LAPO가 이러한 상황에서 어려움을 겪는다는 것을 보여줍니다. 이에 따라, 선형 탐색을 통해 잠재 행동의 질을 8배 향상시키는 LAPO 수정 모델인 LAOM을 제안합니다. 또한, 전체 데이터셋의 2.5%에 불과한 지상 진실 행동에 대한 감독을 잠재 행동 학습 중에 제공하면, 후속 작업 성능이 평균 4.2배 향상됨을 보여줍니다. 결론적으로, 방해 요소가 존재하는 경우 잠재 행동 모델(LAM) 학습 중 감독을 통합하는 것이 중요하며, 먼저 LAM을 학습한 후 잠재 변수에서 지상 진실 행동으로 디코딩하는 기존 방식에 도전장을 던집니다.
