SIEVE：結構感知資料選取技術，僅需一半資源即可優化 VLA 模型訓練效率

本研究提出 SIEVE 方法，將機器人展示視為可重複使用的基元組合，透過優化結構暴露率選取具代表性的資料，僅需一半資源即可超越全量資料訓練的效果。

Problem

視覺語言動作（VLA）模型的模仿學習常面臨資料冗餘、雜訊及覆蓋不均的問題。現有篩選方法通常僅關注軌跡或狀態動作層級，忽略了構成長程行為中關鍵的可重複使用結構，導致訓練效率低落。

提出 SIEVE 架構，將示範過程視為可重複基元與轉換介面的組合。該方法首先從分段軌跡中辨識視覺運動基元，接著根據遞減回報原則，透過最大化結構暴露率來分配選取預算，最後在各組合模式中選取中心代表性軌跡，確保樣本的穩定性與模仿難易度。

在多項資料集與 VLA 模型實驗中，SIEVE 表現一致優於現有的資料選取基準。令人驚艷的是，僅使用 50% 的資料與 50% 的訓練步數，其效能便能超越全量資料訓練的成果，顯著降低運算成本。

這項研究證實了透過基元與轉換介面捕捉的「可重複結構」，是提升 VLA 模仿學習效率的重要訊號。這為大規模機器人學習提供了一條更高效、且具備結構感知能力的數據處理新路徑。