谷歌实现2种新的强化学习算法,“比肩”DQN,泛化性能更佳!
丰色 发自 凹非寺量子位 报道 | 公众号 QbitAI强化学习(RL)算法持续“进化”中……来自Google Research的研究人员,证明可以使用图表示(graph representation)和AutoML的优化技术,来学习新的、可解析和可推广的RL算法!他们发现的其中两种算法可以推广到更复杂的环境中,比如具有视觉观察的Atari游戏。这一成就使得RL算法越来越优秀!具体怎么个“优秀法”,请看下文:损失函数表示为计算图首先,对于强化学习算法研究的难点,研究人员认为,一种可能的解决方案是设计一种元学习方法。该方法可以设计新的RL算法,从而自动将其推广到各种各样的任务中。受神经架构搜索(NAS)在表示神经网络结构的图空间中搜索的思想启发,研究人员通过将RL算法的损失函数表示为计算图(computational graph)来元学习RL算法。其中使用有向无环图来表示损失函数,该图带有分别表示输入、运算符、参数和输出的节点。该表示方法好处有很多,总的来说就是可用来学习新的、可解析和可推广的RL算法。并使用PyGlove库实现这种表示形式。基于进化的元学习方法接下来,研究人员使用基于进化的元学习方法来优化他们感兴趣的RL算法。其过程大致如下:新提出的算法必须首先在障碍环境中表现良好,然后才能在一组更难的环境中进行训练。算法性能被评估并用于更新群体(population),其中性能更好的算法进一步突变为新算法。在训练结束时,对性能最佳的算法在测试环境中进行评估。
本次实验中的群体(population)规模约为300个智能体,研究人员观察到在2-5万个突变后,发现候选损失函数的进化需要大约3天的训练。为了进一步控制训练成本,他们在初始群体中植入了人类设计的RL算法,eg. DQN(深度Q学习算法)。发现两种表现出良好泛化性能的算法最终,他们发现了两种表现出良好泛化性能的算法:一种是DQNReg,它建立在DQN的基础上,在Q值上增加一个加权惩罚(weighted penalty),使其成为标准的平方Bellman误差。第二种是DQNClipped,尽管它的支配项(dominating term)有一个简单的形式——Q值的最大值和平方Bellman误差(常数模),但更为复杂。这两种算法都可以看作是正则化Q值的一种方法,都以不同的方式解决了高估Q值这一问题。最终DQNReg低估Q值,而DQNClipped会缓慢地接近基本事实,更不会高估。性能评估方面,通过一组经典的控制环境,这两种算法都可以在密集奖励任务(CartPole、Acrobot、LunarLander)中持平基线,在稀疏奖励任务(MountainCar)中,性能优于DQN。
其中,在一组测试各种不同任务的稀疏奖励MiniGrid环境中,研究人员发现DQNReg在训练和测试环境中的样本效率和最终性能都大大优于基线水平。
另外,在一些MiniGrid环境将DDQN(Double DQN)与DQNReg的性能进行可视化比较发现,当DDQN还在挣扎学习一切有意义的行为时,DQNReg已经可以有效地学习最优行为了。最后,即使本次研究的训练是在基于非图像的环境中进行的,但在基于图像的Atari游戏环境中也观察到DQNReg算法性能的提高!
这表明,在一组廉价但多样化的训练环境中进行元训练,并具有可推广的算法表示,可以实现根本的算法推广。此研究成果写成的论文,已被ICLR 2021接收,研究人员门未来将扩展更多不同的RL设置,如Actor-Critic算法或离线RL。—完—
![](/uploads/pic/20230911/7ad8b350f2caac9084001c8805699f17.gif)
![](/uploads/pic/20230911/f703738da9773912ebc7e90114ffed10347ae2d8.jpg)
![](/uploads/pic/20230911/b151f8198618367a1385a74cc295e0dcb21ce507.jpg)
![](/uploads/pic/20230911/54fbb2fb43166d22a7b5d8d9abc562ff9252d2a9.jpg)
相关推荐
- 免责声明
- 本文所包含的观点仅代表作者个人看法,不代表新火种的观点。在新火种上获取的所有信息均不应被视为投资建议。新火种对本文可能提及或链接的任何项目不表示认可。 交易和投资涉及高风险,读者在采取与本文内容相关的任何行动之前,请务必进行充分的尽职调查。最终的决策应该基于您自己的独立判断。新火种不对因依赖本文观点而产生的任何金钱损失负任何责任。
热门文章
![](https://www.xhz.cn/uploads/20240904/sbuqqw5v1v1.jpg)