이 연구는 모방 학습(Imitation Learning)에서 샘플링된 액션이 실패할 경우 비효율성을 개선하기 위해, 실패한 액션을 피하도록 샘플링 분포를 개선하는 향상된 샘플링 전략을 제안한다. 성공적인 시연 데이터만 사용하여 복구 액션을 추론하며, 확산 모델 분해 개념을 활용하여 문제들을 더 작고 관리하기 쉬운 하위 문제로 나누어 가변적인 실패 횟수에 적응한다. 이 방법은 샘플이 실패할 경우 동적으로 샘플링 공간을 조정하여 효율성을 높이는 저수준 컨트롤러를 구현하며, 문 열기, 객체 조작, 버튼 찾기 등 다양한 작업에서 기존 방식보다 우수한 성능을 보인다.
