来自我的组会报告ppt
文章目录
- 引子
- a. Model is learned
- Imagination-Augmented Agents for Deep Reinforcement Learning, Weber et al, 2017. Algorithm: I2A.（deepmind）
- Neural Network Dynamics for Model-Based Deep Reinforcement Learning with Model-Free Fine-Tuning, Nagabandi et al, 2017. Algorithm: MBMF.
- Model-Based Value Expansion for Efficient Model-Free Reinforcement Learning, Feinberg et al, 2018. Algorithm: MVE.
- Sample-Efficient Reinforcement Learning with Stochastic Ensemble Value Expansion, Buckman et al, 2018. Algorithm: STEVE.
- Model-Ensemble Trust-Region Policy Optimization, Kurutach et al, 2018. Algorithm: ME-TRPO.
- Model-Based Reinforcement Learning via Meta-Policy Optimization, Clavera et al, 2018. Algorithm: MB-MPO.
- Recurrent World Models Facilitate Policy Evolution, Ha and Schmidhuber, 2018.
- b.Model is Given
引子
在model-free的方法中，无非两种方式，value-based方法先学习值函数（MC或TD）再更新策略，policy-based方法直接将真实轨迹数据（real experience）更新策略。而model-based方法呢，顾名思义，会先将着重点放在环境模型(environment dynamics)，通过采样先学习一个对环境的建模，再根据学习到的环境模型做值函数/策略优化。在model-based方法中，planning步骤至关重要，正是通过在learned model基础上做planning才提高了整个强化学习算法迭代的效率。
在完成了对环境的建模后，在model-based大类方法中同样有两种路径，一种是通过学到的model生成一些仿真轨迹，通过仿真轨迹估计值函数进而优化策略；另一种是通过学到的model直接优化策略，这也是目前model-based方法常走的路线。
a. Model is learned
Imagination-Augmented Agents for Deep Reinforcement Learning, Weber et al, 2017. Algorithm: I2A.（deepmind）
Ot即为t时刻的环境状态（St）
使rollout policy来模仿最终的想象力增强的策略, 以此来进行rollout policy 的训练。
也就是说，通过和环境交互采样后，让系统学习到一个可编码的环境。在决策时，就先考虑通过模型“想象”后续情况，然后得到一个策略。得到策略后，再将这个策略用无模型的方式进行表征。
Neural Network Dynamics for Model-Based Deep Reinforcement Learning with Model-Free Fine-Tuning, Nagabandi et al, 2017. Algorithm: MBMF.
基于模型和无模型的方法各有千秋，这篇文章希望把基于模型的收敛快和无模型的水平高相结合。因此使用模仿学习，学习专家策略，让无模型的网络较快地达到一个相对可以接受的水平，然后采用无模型强化学习。
核心其实就是用模仿学习加快了无模型强化前期的收敛速度。
Model-Based Value Expansion for Efficient Model-Free Reinforcement Learning, Feinberg et al, 2018. Algorithm: MVE.
因为模型是学习得到的，在规划时如果步数太多，模型很容易会有偏差，于是采用H步截断的方式。这样也可以减少计算的复杂度。
另外，使用AC方式训练模型，用专家网络估计后续步骤的reward，用Q估计H步后局面的价值。
Sample-Efficient Reinforcement Learning with Stochastic Ensemble Value Expansion, Buckman et al, 2018. Algorithm: STEVE.
感觉就是刷分的方式。
用多个网络估计reward。
用多个网络学习model，进行状态转移估计。
用多个网络对H步的状态价值进行估计。
当然效果肯定也好。对于越难学到的model，ensemble的效果越好。
Model-Ensemble Trust-Region Policy Optimization, Kurutach et al, 2018. Algorithm: ME-TRPO.
用监督学习方法学习环境动力模型，然后用TRPO进行agent的策略学习。最后用ensemble的方式让模型work得更好。
Model-Based Reinforcement Learning via Meta-Policy Optimization, Clavera et al, 2018. Algorithm: MB-MPO.
之前的基于model的都是先随机采样学得model，之后都用这个学到的model了。本文使用环境采样和策略学习交替进行的方式。
可以想象，在前期模型不太好的情况下进行策略学习可能会带来算力上的浪费。每次学习的时候采样的又不多。
实际上，每一次学习策略都是用元学习的方式。
最终呢，这个模型不容易受到模型偏差的影响，因为它不断地在刷新自己对模型的认知。
Recurrent World Models Facilitate Policy Evolution, Ha and Schmidhuber, 2018.
用VAE来做环境的编码，用RNN对环境进行处理，用决策器（单层线性模型）进行决策。
将环境模型用在了赛车游戏中，取得了不错的效果。
b.Model is Given
Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm, Silver et al, 2018. Algorithm: AlphaZero.
Thinking Fast and Slow with Deep Learning and Tree Search, Anthony et al, 2017. Algorithm : Expert Iteration（ExIt）.
神经网络更像是人的直觉，而MCTS更像是推理的过程。
用神经网络来评估当前局面，然后用MCTS进行随机采样动作，然后再用神经网络评估、再MCTS采样……如此循环直到叶子节点。
MCTS用神经网络选择行为的话，神经网络的效果会对MCTS的效果产生影响。
神经网络越来越好的同时，能够促进MCTS得到的结果越来越好，从而产生良性循环。颇有“教学相长”的味道。