본 논문은 관찰 데이터만을 사용한 사전 훈련 효율성이 뛰어난 잠재 행동 학습(LAPO)의 한계점을 다룹니다. 기존 연구는 방해 요소가 없는 데이터에 초점을 맞춰왔으나, 실제 영상에는 행동과 관련된 방해 요소가 포함되어 있습니다. 연구진은 Distracting Control Suite (DCS)를 사용하여 방해 요소가 잠재 행동 학습에 미치는 영향을 실험적으로 조사하고, LAPO가 이러한 환경에서 어려움을 겪는다는 것을 보여줍니다. 이에 따라, 선형 탐색을 통해 잠재 행동의 질을 8배 향상시키는 LAPO 개선 모델인 LAOM을 제안합니다. 또한, 전체 데이터셋의 2.5%에 불과한 ground-truth 행동에 대한 감독을 잠재 행동 학습 중에 제공하면 downstream 성능이 평균 4.2배 향상됨을 보여줍니다. 결론적으로, 방해 요소가 존재하는 경우 잠재 행동 모델(LAM) 학습 중 감독을 통합하는 것이 중요하며, 먼저 LAM을 학습하고 그 후에 잠재 행동을 ground-truth 행동으로 디코딩하는 기존 방식에 도전장을 내밉니다.
