刚读完arXiv这篇多目标约束推断（MOCI）论文，第一反应是：终于有人对“同质演示”这个假设开刀了。作为在RL落地中踩过无数坑的工程师，我深知现实场景中专家数据几乎不可能来自同一目标——比如自动驾驶中，有的司机激进，有的保守，强行用单一约束建模只会让智能体学到四不像。
论文核心突破在于用变分推断同时分离共享约束和个体偏好，这对安全关键系统（如机器人操作）意义重大。但仔细看，方法依赖对专家目标数量的先验设定，且计算复杂度随专家数量线性增长。我曾在类似约束学习任务中试过基于GAN的逆RL方法，一旦专家数量超过5个，训练稳定性就急剧下降。MOCI能否在10+专家场景下保持收敛？这是第一个疑问。
另一个实操痛点：论文假设轨迹完全可观测，但实际中传感器噪声和遮挡会导致部分状态缺失。如果约束推断对观测误差敏感，工程部署时可能需要额外的状态估计模块，这会拖慢推理速度。
想问各位：你们在逆RL或IRL落地时，如何处理多专家数据？是强行聚类还是用分层模型？另外，MOCI的共享约束提取机制是否可能被个体偏好污染？欢迎讨论。