본 논문은 인간-장면 상호작용(HSI)에서 장기간 과제(LH)를 위한 도메인 간 학습 프레임워크인 DETACH를 제시한다. 기존 방법들이 사전 훈련된 하위 작업들을 연결하는 기술 체인에 의존하여 환경 관찰과 자기 상태가 밀접하게 결합되어 새로운 환경과 기술의 조합에 일반화되지 못하는 문제점을 해결하기 위해, 뇌의 "where-what" 이중 경로 메커니즘에서 영감을 받아 환경 학습 모듈과 기술 학습 모듈로 구성된다. 환경 학습 모듈은 환경과 자기 상태를 완전히 분리하여 도메인 간 전이를 달성하고, 기술 학습 모듈은 독립적인 모터 패턴 인코딩을 통해 기술 간 전이를 가능하게 한다. 다양한 HSI 장면에서의 LH 작업에 대한 광범위한 실험을 통해 기존 방법에 비해 하위 작업 성공률을 평균 23%, 실행 효율을 평균 29% 향상시켰음을 보여준다.
시사점, 한계점
•
시사점:
◦
뇌의 이중 경로 메커니즘을 모방한 새로운 접근 방식을 통해 장기간 과제의 도메인 간 일반화 문제를 해결하였다.
◦
환경과 자기 상태의 분리를 통해 환경 및 기술의 새로운 조합에 대한 적응력을 향상시켰다.
◦
다양한 HSI 장면에서의 실험을 통해 기존 방법 대비 성능 향상을 실증적으로 보였다.
•
한계점:
◦
제시된 방법의 성능 향상이 특정 HSI 장면 및 작업에 국한될 가능성이 있다.
◦
"where-what" 이중 경로 메커니즘의 생물학적 영감이 실제 뇌의 작동과 얼마나 일치하는지는 추가적인 연구가 필요하다.
