연구진은 SIGReg(Sketched Isotropic Gaussian Regularizer)가 단일 작업에서는 효과적이지만, 멀티태스크 학습 시 성능 저하를 일으킨다는 사실을 밝혀냈습니다.
시간 중심화된 잔차에 SIGReg를 적용하여 작업 간 잠재 클러스터 분리를 압축하는 문제를 해결하고, 표현력의 잠재적 분리 문제를 해결했습니다.
LIBERO 벤치마크에서 새로운 방법은 장기적인 수평 범위에서 성공률을 1.7배 향상시키고, 평균 성공률을 53.2%에서 73.6%로 높였습니다.
연구 결과는 주변 가우시안 사전과 멀티태스크 잠재 구조 간의 구조적 비호환성을 드러내고, 안정적이고 확장 가능한 멀티태스크 세계 모델 학습을 위한 간단한 방법을 제시합니다.