论文页面 - SIEVE：面向VLA模型模仿学习的结构感知数据选择方法

来源：https://huggingface.co/papers/2607.06442

摘要

SIEVE 是一种结构感知的数据选择方法，面向视觉-语言-动作模仿学习，能够识别可复用的视觉运动基元与过渡接口，从而提升策略学习效率。

视觉-语言-动作（VLA）模型通常通过模仿学习 (https://huggingface.co/papers?q=imitation%20learning) 在大规模机器人演示数据集上进行训练，但由于存在冗余、噪声以及覆盖不均等问题，更多的数据并不必然带来更优的策略。现有的数据选择 (https://huggingface.co/papers?q=data%20selection) 方法往往在轨迹层面或状态-动作层面评估演示数据，忽略了构成长时域行为的可复用结构。本文提出 SIEVE，一种面向 VLA 模仿学习 (https://huggingface.co/papers?q=imitation%20learning) 的结构感知数据选择 (https://huggingface.co/papers?q=data%20selection) 方法。SIEVE 将演示数据视为可复用基元与过渡接口 (https://huggingface.co/papers?q=transition%20interfaces) 的组合。它首先从分割后的轨迹中发掘视觉运动基元 (https://huggingface.co/papers?q=visuo-motor%20primitives)，然后通过最大化考虑可复用性的结构暴露 (https://huggingface.co/papers?q=structural%20exposure)（在边际收益递减 (https://huggingface.co/papers?q=diminishing%20returns) 条件下）来为组合模式 (https://huggingface.co/papers?q=composition%20patterns) 分配选择预算。最后，在每个组合模式桶内选择中心轨迹 (https://huggingface.co/papers?q=medoid%20trajectories)，以保留中心化、稳定且适合模仿的演示数据。在多个数据集、基准测试和 VLA 模型上的实验表明，SIEVE 持续优于竞争性数据选择 (https://huggingface.co/papers?q=data%20selection) 基线方法。值得注意的是，SIEVE 仅使用 50% 的演示数据和 50% 的训练步数即可超越全数据训练的效果，这表明通过基元和过渡所捕获的可复用结构是高效 VLA 模仿学习 (https://huggingface.co/papers?q=imitation%20learning) 的重要信号。

查看 arXiv 页面 (https://arxiv.org/abs/2607.06442)查看 PDF (https://arxiv.org/pdf/2607.06442)GitHub (https://github.com/ChangtiWu/SIEVE)加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.06442)

在您的 agent 中获取此论文：

hf papers read 2607\.06442

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.06442，以便在此页面建立链接。

引用此论文的数据集0

无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.06442，以便在此页面建立链接。

引用此论文的 Spaces0

无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.06442，以便在此页面建立链接。

包含此论文的收藏0

无收藏包含此论文

请将此论文添加到收藏 (https://huggingface.co/new-collection) 中，以便在此页面建立链接。