因子分解拡散ポリシーによる柔軟なマルチタスク学習

- ロボットの多タスク学習向けに、複雑な action distribution を複数の specialized diffusion models に factorize する modular diffusion policy framework を提案 - 各 diffusion model が behavior space の異なる sub-mode を捉え、全体としてより効果的な policy を構成 - modular 構造により新タスクへの adaptation を component の追加や fine-tuning で実現 - simulation と real-world robotic manipulation の両方で評価

- 既存の monolithic models は複雑な action distribution に対して underfit しやすく、効率的な adaptation の柔軟性に欠ける - 提案手法は action distribution を specialized diffusion models の composition に分解することで、この underfitting と柔軟性不足に対処 - modular 構造により catastrophic forgetting を本質的に緩和しつつ新タスクへ適応可能 - 実験で strong な modular baselines と monolithic baselines を一貫して上回ると報告

- 複雑な action distribution を複数の specialized diffusion models に factorize する modular diffusion policy framework が肝 - 各 diffusion model は behavior space の distinct な sub-mode を担当 - 新タスクへの適応は component の追加または fine-tuning で行う modular 設計 - この構造が catastrophic forgetting の緩和に寄与

- simulation および real-world robotic manipulation settings の両方で評価 - strong な modular baselines と monolithic baselines との比較を実施 - 提案手法がこれらの baselines を一貫して上回ることを示した - 具体的なタスク・指標・データセットの詳細は要旨からは不明

- 要旨からは不明 - 明示されているのは modular 構造が catastrophic forgetting を緩和する点と、baselines に対する優位性 - 限界や失敗ケース、計算コスト、component 数の設計などに関する議論は要旨からは不明

- 要旨で参照/比較されている modular baselines および monolithic baselines の各研究（具体名は要旨からは不明） - diffusion policy の代表的研究（Diffusion Policy など同分野の定番） - multitask robot learning における modular / mixture-of-experts 系の手法 - catastrophic forgetting 対策としての fine-tuning / continual learning 関連研究