模倣学習の汎化を改善するDARP、k近傍法で行動予測 15〜46%の性能向上

何が起きたか

ワシントン大学の研究チームは2026年6月8日、模倣学習の汎化性能を改善する新しい手法「DARP（Difference-Aware Retrieval Policies for Imitation Learning）」を発表した。DARPは、専門家のデモンストレーションからk近傍法で行動を予測する半パラメトリックな手法で、標準的な行動クローニングと比べて15〜46%の性能向上を達成した。追加のデータ収集やオンラインの専門家フィードバックを必要としない。

詳細

DARPは、模倣学習を状態から行動への直接マッピングではなく、局所的な近傍構造に基づいて再定式化する。具体的には、専門家のデモンストレーションからk近傍を取得し、それらの行動と、クエリ状態と近傍状態の相対距離ベクトルを用いて行動を予測するモデルを学習する。この手法は、標準的な行動クローニングと同じ仮定のみを必要とし、追加のデータ収集、オンラインの専門家フィードバック、タスク固有の知識を必要としない。連続制御やロボット操作など多様なドメイン、および高次元の視覚特徴を含む異なる表現において、標準的な行動クローニングと比較して一貫した性能向上（15〜46%）を示した。コードとデモは https://weirdlabuw.github.io/darp-site/ で公開されている。

Key Facts

本紙の見方

DARPの発表は、模倣学習の汎化問題に対する実用的な解決策として注目に値する。行動クローニングは、専門家のデモンストレーションから直接状態と行動のマッピングを学習するが、展開時に複合誤差が生じ、分布外の状態への汎化が悪いという課題があった。DARPは、推論時に訓練データを再利用する半パラメトリックなアプローチを採用し、この課題を軽減する。具体的には、学習したグローバルなポリシーではなく、専門家のデモンストレーションからk近傍を取得し、それらの行動と相対距離ベクトルを用いて行動を予測する。これにより、追加のデータ収集やオンラインの専門家フィードバックを必要とせず、標準的な行動クローニングと同じ仮定のみで実装できる。 DARPの性能向上は15〜46%と幅があるが、これはドメインや表現によって異なる。連続制御やロボット操作など多様なドメインで一貫した改善が見られたことは、手法の汎用性を示している。特に、高次元の視覚特徴を含む表現でも改善が見られたことは、実世界のロボットタスクへの応用可能性を示唆する。 業界構造への含意として、DARPのような半パラメトリックな手法は、模倣学習の実用化を促進する可能性がある。従来の行動クローニングは、データ収集のコストが高いため、実世界での適用が限られていた。DARPは追加のデータ収集を必要としないため、既存のデモンストレーションデータを有効活用できる。これは、ロボット学習の分野でデータ効率の向上につながる。 未確定の論点として、DARPの性能向上が実際のロボットシステムでどの程度発揮されるかは、さらなる検証が必要である。また、k近傍法の計算コストや、大規模なデモンストレーションデータセットへのスケーラビリティも今後の課題となる。さらに、DARPが他の模倣学習手法（例えば、逆強化学習や敵対的模倣学習）と比較してどのような優位性を持つかは、今後の研究が待たれる。

なぜ重要か

DARPは、模倣学習の汎化問題に対する実用的な解決策を提供し、追加のデータ収集や専門家フィードバックを必要としないため、ロボット学習の実用化を促進する可能性がある。特に、データ効率の向上は、実世界でのロボットタスクへの適用を加速させるだろう。