刚读完arXiv这篇关于多目标约束推断（MOCI）的论文，感觉技术路线挺有意思，但有几个点想和大家探讨。

核心思路是从多个目标不同的专家轨迹中联合提取共享约束和个体偏好，这确实打破了传统方法假设演示数据同质的局限。论文提到现有方法在捕捉个体偏好方面能力有限，而且计算效率低，MOCI通过某种联合优化框架来同时处理共享和个体部分，理论上能提升样本效率和泛化能力。不过，我比较好奇的是：这个“共享约束”和“个体偏好”的解耦机制具体是怎么实现的？是用了变分推断还是某种对抗训练？如果约束和偏好在特征空间上有重叠，模型如何保证不混淆？

从个人经验看，逆向强化学习里最头疼的就是歧义性问题——多条奖励函数都能解释同一组演示。现在MOCI引入多专家和个体偏好，歧义性只会更大，论文有没有给出唯一性保证或者正则化策略？

另外，从行业角度看，这个方向对自动驾驶和机器人安全对齐很有价值——不同司机的驾驶风格（个体偏好）和交通规则（共享约束）天然就是这种结构。但实际部署时，专家轨迹的标签（谁是谁的偏好）可能很难获取，MOCI是否支持无监督或弱监督？

最后抛个问题：如果专家之间的目标差异非常细微（比如两个司机都追求舒适，只是对加速度容忍度差0.1m/s²），MOCI还能有效分离吗？欢迎有复现经验的朋友分享下实验细节。