Multi-task reinforcement learning (MTRL)에서 발생하는 gradient conflict 문제를 해결하기 위해, 파라미터 중요도 기반의 Soft Conflict-resolution (SoCo-DT) 방법을 제안한다. Fisher 정보를 활용하여 중요한 파라미터를 유지하고, conflict가 있는 파라미터를 억제하기 위해 마스크 값을 동적으로 조정한다. 또한, Interquartile Range (IQR) 기반의 동적 sparsity 조정 전략을 도입하여 task-specific thresholding scheme을 구성하고, 비대칭 코사인 annealing schedule을 통해 적응적인 sparsity 진화를 가능하게 한다. Meta-World 벤치마크에서 기존 SOTA 대비 MT50에서 7.6%, suboptimal dataset에서 10.5% 성능 향상을 보였다.
