Este artículo aborda el problema de la recuperación de datos en el aprendizaje por imitación de pocos intentos. Los métodos existentes utilizan una heurística de distancia de una sola característica para recuperar datos, asumiendo que la mejor demostración es la más similar a la demostración objetivo en el espacio visual, semántico o de acción. Sin embargo, este enfoque captura solo una parte de la información relevante y puede introducir demostraciones perjudiciales, como la recuperación de datos de tareas no relacionadas debido a la similitud de la disposición de las escenas o la selección de acciones similares en tareas con objetivos diferentes. En este artículo, presentamos un método denominado Agregación de Datos Colectivos (COLLAGE) para el aprendizaje por imitación de pocos intentos que utiliza un mecanismo adaptativo de fusión tardía para guiar la selección de demostraciones relevantes con base en una combinación específica de múltiples señales para la tarea. COLLAGE utiliza una sola característica (p. ej., apariencia, forma o similitud lingüística) para ponderar subconjuntos preseleccionados del conjunto de datos, asignando ponderaciones basadas en la precisión con la que una política entrenada en cada subconjunto predice la tarea en la demostración objetivo. Estas ponderaciones se utilizan durante el entrenamiento de políticas para realizar un muestreo de importancia, con mayor o menor densidad de muestreo según la relevancia estimada. COLLAGE es general e independiente de las características, lo que le permite combinar cualquier número de subconjuntos seleccionados mediante cualquier heurística de búsqueda e identificar los que ofrecen el mayor beneficio para la tarea objetivo. En experimentos exhaustivos, COLLAGE supera a los métodos de búsqueda y aprendizaje multitarea de vanguardia en un 5,1 % en diez tareas de simulación y en un 16,6 % en seis tareas de búsqueda reales en el conjunto de datos DROID a gran escala.
