본 논문은 모방 학습에서의 공변량 이동 문제를 해결하기 위해, 상태 전이 매핑의 수축 특성을 향상시키는 잡음 제거 메커니즘을 통합한 간단하면서도 효과적인 방법인 DeCIL을 제안한다. DeCIL은 다음 상태를 예측하는 동역학 모델(f)과 잡음 제거를 통해 상태 예측을 개선하고 해당하는 행동을 출력하는 상태-행동 결합 잡음 제거 정책 네트워크(d) 두 개의 신경망으로 구성된다. 이론적 분석을 통해 잡음 제거 네트워크가 국소적 수축 매핑 역할을 하여 상태 전이의 오류 전파를 줄이고 안정성을 향상시킨다는 것을 보여준다. 추가적인 전문가 데이터나 복잡한 훈련 절차 수정 없이 기존 모방 학습 프레임워크에 쉽게 통합될 수 있으며, 다양한 모방 학습 과제에서 잡음 섭동 하에서 성공률을 효과적으로 향상시킨다는 실험 결과를 제시한다.
