본 논문은 명시적인 모델, 시뮬레이션 또는 상세한 작업 정의 없이 데이터로부터 직접 학습하는 모방 학습의 효율성을 높이는 새로운 샘플링 전략을 제안합니다. 기존 모방 학습의 한계인 실패 행동 반복 문제를 해결하기 위해, 성공적인 데모 데이터만을 활용하여 이전에 실패한 행동을 피하도록 샘플링 분포를 개선하는 방법을 제시합니다. 특히, 확산 모델 분해 개념을 활용하여 복잡한 장기간 실패 관리 문제를 더 작고 관리 가능한 하위 문제로 분해하여 다양한 실패 횟수에 적응할 수 있는 시스템을 구축합니다. 문 열기, 물체 조작, 버튼 찾기 등 다양한 작업에서 기존 방법보다 우수한 성능을 보임을 실험적으로 증명합니다.
