LG AI Research 235

실세계의 복잡한 과업은 여러 개의 작은 subtask가 특정 순서로 결합된 compositional task structure를 가집니다. 기존 방식은 새로운 객체가 등장하는 미학습 과업(unseen entities)에 대응하는 데 한계가 있었습니다.

이를 해결하기 위해 제안된 **PSGI(Parameterized Subtask Graph Inference)**는 과업을 1차 논리(first-order logic) 방식으로 모델링합니다. 모든 subtask를 개별적으로 처리하는 대신, parameterized option(예: [Pickup x])을 사용하여 구조를 추론합니다.

이 방식은 두 가지 핵심 이점을 제공합니다:

• 그래프의 압축성: 공통 구조를 공유하므로 데이터 중복이 줄어들고, 더 적은 샘플로도 효율적인 추론이 가능합니다.
• Zero-shot 일반화: 학습 시 보지 못한 객체(예: 계란, 양배추 등)가 포함된 과업도 논리적 구조를 통해 즉각적으로 적응할 수 있습니다.

실험 결과, PSGI는 요리(cooking), 마인크래프트 기반 채굴(mining), AI2Thor 시뮬레이션 환경에서 기존 연구보다 높은 효율성과 일반화 성능을 입증했습니다.