Liquid Neural Networks mit Mixture Density Heads: Effizientere Imitation Learning

In einer neuen Studie vergleichen Forscher Liquid Neural Networks mit Mixture Density Heads gegen Diffusion-Policies auf den Aufgaben Push‑T, RoboMimic Can und PointMaze. Durch ein einheitliches Backbone‑Vergleichsprotokoll werden die Auswirkungen der Policy‑Heads isoliert, während Eingaben, Trainingsbudgets und Evaluationsbedingungen gleich bleiben.

Die Ergebnisse zeigen, dass Liquid‑Policies nur etwa die Hälfte der Parameter benötigen (4,3 M vs. 8,6 M) und gleichzeitig einen 2,4‑fach niedrigeren Offline‑Vorhersagefehler erzielen. Außerdem laufen sie bei der Inferenz 1,8‑mal schneller. In Experimenten zur Sample‑Effizienz, die 1 % bis 46,42 % der Trainingsdaten abdecken, bleiben Liquid‑Modelle konsequent robuster, besonders in den Low‑Data- und Medium‑Data‑Regimen.

Die geschlossenen Schleifen auf Push‑T und PointMaze stimmen im Großen und Ganzen mit den Offline‑Rankings überein, weisen jedoch mehr Rauschen auf. Dies deutet darauf hin, dass starke Offline‑Dichtemodelle die Bereitstellung unterstützen, aber nicht allein den Erfolg in der geschlossenen Schleife bestimmen. Insgesamt bieten liquid recurrent multimodal policies eine kompakte und praktikable Alternative zu iterativen Denoising‑Ansätzen für Imitation Learning.