GRAIL: 模倣学習による目標認識アラインメント

- エージェントの観測行動から目標を推定する Goal Recognition の新手法 GRAIL を提案。 - Imitation Learning と Inverse Reinforcement Learning を用い、候補目標ごとに goal-directed policy をデモ軌跡から直接学習。 - 観測された partial trajectory を各 policy で単一 forward pass によりスコアリングし、one-shot 推論を維持。 - 系統的バイアス・suboptimal・noisy な行動下での目標認識精度向上を狙う。

- 既存手法は optimal goal-oriented policy 表現に依存し、actor の真の行動と乖離しうる。 - GRAIL は (potentially suboptimal) demonstration trajectories から各候補目標の policy を直接学習。 - これにより suboptimal や systematically biased な行動を捉えつつ、古典的 Goal Recognition の one-shot 推論能力を保持。 - 系統的バイアス下で F1 を 0.5 以上改善、suboptimal で約 0.1-0.3、noisy optimal で最大 0.4 改善、完全 optimal 設定でも競争力あり。

- Imitation Learning と Inverse Reinforcement Learning を活用。 - 各 candidate goal に対して goal-directed policy を (potentially suboptimal) demonstration trajectories から学習。 - 観測された partial trajectory を各 learned goal-directed policy で単一 forward pass によりスコアリング。 - スコアに基づき目標を認識し、古典的手法の one-shot 推論を維持。

- 評価された複数ドメインで実験。 - systematically biased optimal behavior 下で F1-score が 0.5 以上向上。 - suboptimal behavior 下で約 0.1-0.3 の改善。 - noisy optimal trajectories 下で最大 0.4 の改善。 - fully optimal 設定でも競争力を維持。

- 既存手法の optimal policy 仮定と actor の真の行動の乖離を指摘。 - 不確実環境でのエージェント目標解釈に向けた scalable で robust なモデルへの貢献を主張。 - 具体的な限界や失敗ケース、計算コスト、他手法との詳細比較は要旨からは不明。

- 要旨で参照/比較されている既存の Goal Recognition 手法（optimal goal-oriented policy に基づくもの）。 - Imitation Learning および Inverse Reinforcement Learning の関連研究。 - 同分野の定番として Goal Recognition 一般、Behavior Cloning、IRL の代表的手法。