【环球快播报】RL 的探索策略 | Exploration for RL

(资料图)

最近在草率地调研 RL 的 exploration。这篇文章也比较草率，仅能起到辅助作用，不能代替读 review 或更精细的读 paper。

• 1 主要参考资料
• 2 RL 的主流 exploration 方法
  • 2.1 经典 exploration 方法
  • 2.2 prediction-based method：
    • 学习 env 的 dynamics
    • 不学 env dynamics 了
  • 2.3 memory-based method
  • 2.4 其他

1 主要参考资料

• https://www.sciencedirect.com/science/article/pii/S1566253522000288
  • 一篇 review，感觉不太好读。
• https://lilianweng.github.io/posts/2020-06-07-exploration-drl/
  • 很好的博客，主要参考它。
• https://journals.sagepub.com/doi/10.1177/1729881418775849
  • 18 年的 review，关于 memory-based exploration，还没读。
• 一些可爱的 new bing。

2 RL 的主流 exploration 方法

在 review（第一个参考资料）中，exploration 的研究有两种动机：效率动机 与 安全动机。前者希望 exploration 能帮助 RL 尽快学会，而后者希望 RL 试错学习的过程中 保证安全性。

• 安全动机的 exploration 的主要方法：
  • 罚函数（给非常大的负 reward）；
  • 基于一些先验知识 强行限制（如强行改不安全的 action）。

对于效率动机的 exploration，这是 lilian weng 博客（第二个参考资料）的目录：

我们的重点放在 1 prediction-based，2 memory-based。其他感觉都不是主流方法。

2.1 经典 exploration 方法

• ε-greedy：随机探索的概率是 ε。
• Upper Confidence Bound：最大化 \(\hat Q(a)+\hat U(a)\)，其中 U 与 action 次数成反比。
• Boltzmann exploration，Thompson sampling：

  • bing：玻尔兹曼探索是不确定性下 sequential decision 的经典策略，是强化学习（RL）中最标准的工具之一。它从玻尔兹曼分布 （softmax） 中获取的 Q value 上的 action，由温度参数 τ 调节.

    汤普森采样以威廉·R·汤普森（William R. Thompson）的名字命名，是一种启发式方法，用于选择解决 multi-armed bandit problem 中 exploration-exploitation 困境的 action。它包括选择最大化随机抽取信念（randomly drawn belief）的预期 reward 的 action.

• 添加一个 entropy loss \(H(\pi(a|s))\)，鼓励 action diversity。
• noise-based exploration：在 obs action 甚至 parameter space 里面掺 noise。
• count-based exploration：用密度模型（或者某些哈希）来近似 state 访问的频率，然后用 \(1/\sqrt{N(s,a)}\) 之类作为 intrinsic reward，N 越小，reward 越大。

2.2 prediction-based method：

学习 env 的 dynamics

• Intelligent Adaptive Curiosity（IAC）：
• Intrinsic Curiosity Module（ICM）：
• Variational information maximizing exploration（VIME）：

不学 env dynamics 了

• Directed Outreaching Reinforcement Action-Selection（DORA）：
  • https://zhuanlan.zhihu.com/p/78709539
• Random Network Distillation（RND）：
  • https://blog.csdn.net/qq_43703185/article/details/122718999
• Never Give Up（NGU）：
  • https://zhuanlan.zhihu.com/p/551992517
  • agent57

2.3 memory-based method

• Episodic Curiosity：
• Go-Explore：
• policy-based Go-Explore
• DTSIL（Diverse Trajectory-conditioned Self-Imitation Learning）

2.4 其他

• Q exploration，Q 值近似，Bootstrapped DQN：
  • https://www.cnblogs.com/initial-h/p/16350230.html
  • https://zhuanlan.zhihu.com/p/192484077
• Variational Options
  • Variational Intrinsic Control：训一堆能在不同 state 下终止的 policy，然后看哪个最好？？
  • Variational Auto-encoding Learning of Options by Reinforcement（VALOR）：没看。

关键词：