이 논문은 비마르코프 환경에서의 행동 복제(BC)가 긴 시간축에 걸친 맥락 추론 문제로 어려움을 겪는다는 점에 착안해, 자기지도 방식으로 정보가 중요한 관찰들(mnemonics)을 발견하는 Keyframe Mnemonics를 제안한다. 과거 관찰을 무작위로 샘플링해 학습한 목표를 키프레임 선택의 보상으로 활용하고, 발견된 키프레임에 조건화한 BC 정책으로 행동 분포를 모델링한다. 합성 메모리 도메인에서는 100% 성공률을 달성하고 학습 시 경험하지 못한 훨씬 긴 시간축에도 성능 저하 없이 일반화했으며, 메모리 집약적 로봇 조작 벤치마크 23개 과제에서는 가장 강력한 기준선보다 평균 13.9%p 높은 성공률을 보였고 실제 로봇에서 20배 긴 시간축에서도 80%의 성공률을 유지했다.

• •자기지도 방식으로 정보가 중요한 관찰(키프레임)을 발견하는 Keyframe Mnemonics 제안
• •합성 메모리 도메인에서 100% 성공률, 학습보다 훨씬 긴 시간축에도 성능 저하 없이 일반화
• •로봇 조작 벤치마크 23개 과제에서 최강 기준선 대비 평균 13.9%p 성공률 향상
• •실제 로봇 실험에서 20배 긴 시간축에서도 80% 성공률 유지