미지의 개체로의 일반화를 위한 매개 변수화된 작업 구조 학습

AI가 현실 세계의 복잡한 작업을 수행할 때 직면하는 가장 큰 난제는 **구성적 작업 구조(compositional task structure)**를 이해하는 것입니다. 현실의 작업은 여러 개의 작은 하위 작업이 특정 순서로 결합되어 있으며, 보상이 드문 희소 보상(sparse reward) 문제도 발생합니다.

기존 연구들은 하위 작업 간의 관계를 충분히 고려하지 못해, 학습 과정에서 본 적 없는 새로운 개체(예: 달걀 대신 양배추)가 등장하면 작업을 수행하지 못하는 한계가 있었습니다.

LG AI Research가 제안하는 **PSGI(Parameterized Subtask Graph Inference)**는 1차 논리 방식을 활용하여 매개 변수화된(parameterized) option과 하위 작업을 통해 전체 작업을 모델링합니다. 이 방식은 다음과 같은 이점을 제공합니다.

• 효율성 증대: [Pickup x]와 같은 매개 변수화된 형식을 사용하여 공통 구조를 공유하므로, 중복을 줄이고 더 적은 샘플로도 추론이 가능합니다.
• 제로샷 일반화: 학습 단계에서 만나지 못한 새로운 개체가 포함된 하위 작업이라도, 유사한 구조를 공유한다면 즉시 적응할 수 있습니다.

본 연구는 cooking, mining(Minecraft), 가상 AI2Thor 도메인 실험을 통해 PSGI가 기존 선행 연구보다 더 효율적이고 강력한 일반화 성능을 가짐을 입증했습니다.