Bài báo này đề cập đến vấn đề truy xuất dữ liệu trong học mô phỏng ít lần. Các phương pháp hiện có sử dụng phương pháp heuristic khoảng cách một đặc trưng để truy xuất dữ liệu, giả định rằng minh họa tốt nhất là minh họa giống nhất với minh họa mục tiêu trong không gian thị giác, ngữ nghĩa hoặc hành động. Tuy nhiên, cách tiếp cận này chỉ nắm bắt được một phần thông tin liên quan và có thể đưa ra các minh họa có hại, chẳng hạn như truy xuất dữ liệu từ các tác vụ không liên quan do bố cục cảnh tương tự hoặc chọn các hành động tương tự trong các tác vụ có mục tiêu khác nhau. Trong bài báo này, chúng tôi trình bày một phương pháp được gọi là Tổng hợp Dữ liệu Tập thể (COLLAGE) cho học mô phỏng ít lần, sử dụng cơ chế hợp nhất muộn thích ứng để hướng dẫn lựa chọn các minh họa có liên quan dựa trên sự kết hợp cụ thể của nhiều tín hiệu cho từng tác vụ. COLLAGE sử dụng một đặc trưng duy nhất (ví dụ: độ tương đồng về ngoại hình, hình dạng hoặc ngôn ngữ) để đánh giá trọng số các tập con được chọn trước của tập dữ liệu, gán trọng số dựa trên mức độ chính sách được huấn luyện trên mỗi tập con dự đoán tác vụ trong minh họa mục tiêu tốt như thế nào. Các trọng số này sau đó được sử dụng trong quá trình huấn luyện chính sách để thực hiện lấy mẫu quan trọng, lấy mẫu dữ liệu dày đặc hơn hoặc thưa thớt hơn dựa trên mức độ liên quan ước tính. COLLAGE là giải pháp tổng quát và không phụ thuộc vào tính năng, cho phép kết hợp bất kỳ số lượng tập con nào được chọn bởi bất kỳ thuật toán tìm kiếm nào và xác định tập con nào mang lại lợi ích lớn nhất cho tác vụ mục tiêu. Trong các thử nghiệm mở rộng, COLLAGE vượt trội hơn 5,1% so với các phương pháp tìm kiếm và học đa tác vụ tiên tiến nhất trên mười tác vụ mô phỏng và 16,6% trên sáu tác vụ tìm kiếm thực tế trên tập dữ liệu DROID quy mô lớn.
