An Empirical Analysis of Proximal Policy Optimization with Kronecker-factored Natural Gradients
Stanford University(斯坦福大学);University of Toronto(多伦多大学)
在本技术报告中,我们考虑了一种结合PPO目标和K-FAC自然梯度优化的方法,我们称之为PPOKFAC。我们对算法的各个方面进行了一系列的实证分析,例如样本复杂度,训练速度以及对批量大小和训练时期的敏感性。我们观察到,PPOKFAC能够在一系列MuJoCo环境中的样本复杂性和速度方面优于PPO,同时在批量大小方面具有可扩展性。尽管如此,似乎增加更多的历元不一定有助于样本效率,并且PPOKFAC似乎比其A2 C对应物ACKTR更差。
2018-01-17 cs.AI cs.LG stat.ML
Offline Policy Comparison with Confidence: Benchmarks and Baselines
Oregon State University(俄勒冈州立大学);Intel Labs(英特尔研究院)
决策者通常希望使用离线历史数据来比较世界各国的顺序行动政策。重要的是,计算工具应该为这种离线策略比较(OPC)产生置信度值,以考虑统计方差和有限的数据覆盖范围。然而,很少有工作直接评估OPC的置信度值的质量。在这项工作中,我们通过创建具有信心的OPC(OPCC)基准来解决这个问题,该基准是通过将策略比较查询集添加到来自离线强化学习的数据集而获得的。此外,我们提出了一个实证评估的风险与覆盖范围权衡一类基于模型的基线。特别是,基线学习动态模型的集合,这些模型以各种方式用于生成用于回答具有置信度值的查询的模拟。虽然我们的研究结果表明某些基线变化的优势,但在未来的工作中似乎还有很大的改进空间。
2022-05-22 cs.AI cs.LG
Interpolated Policy Gradient: Merging On-Policy and Off-Policy Gradient Estimation for Deep Reinforcement Learning
University of Cambridge(剑桥大学);DeepMind;Max Planck Institute(马克斯·普朗克研究所);Uber AI Labs(Uber人工智能实验室);UC Berkeley(加州大学伯克利分校)
使用先前收集的数据的非策略无模型深度强化学习方法可以比策略策略梯度技术提高样本效率。另一方面,策略算法通常更稳定,更容易使用。本文从理论和实证两方面研究了合并深度强化学习的策略更新和策略更新的方法。理论结果表明,具有价值函数估计器的非策略更新可以用策略策略梯度更新插值,同时仍然满足性能界限。我们的分析使用控制变量的方法来产生一个家庭的策略梯度算法,最近提出的几个算法是这个家庭的特殊情况。然后,我们提供了一个实证比较这些技术与其余的算法细节固定,并显示如何不同的混合关闭策略梯度估计与政策样本有助于改善实证性能。最终算法提供了现有深度策略梯度技术的推广和统一,对偏离策略更新引入的偏差具有理论保证,并在许多OpenAI Gym连续控制基准上改进了最先进的无模型深度RL方法。
2017-06-01 cs.AI cs.LG cs.RO
Inverse Reinforcement Learning with Natural Language Goals
Amazon Alexa(亚马逊Alexa)
人类通常使用自然语言来相互传达任务要求。理想情况下,自然语言也应该可用于向自主机器传达目标(例如,机器人),以最大限度地减少任务规范中的摩擦。然而,理解和映射自然语言目标的状态和动作序列是具有挑战性的。具体地说,现有的工作沿着这些路线遇到了困难,在推广学习的政策,以新的自然语言的目标和环境。在本文中,我们提出了一种新的对抗逆强化学习算法来学习语言条件的政策和奖励函数。为了提高学习策略和奖励函数的泛化能力,我们使用变分目标生成器在训练过程中重新标记轨迹并对不同的目标进行采样。我们的算法在基于视觉的自然语言指令遵循数据集(Room-2-Room)上的性能大大优于多个基线,这表明在指定代理目标时使用自然语言指令是一个很有前途的进步。
2020-12-16 cs.AI cs.LG
Empirical Likelihood for Contextual Bandits
Microsoft Dynamics 365 AI(微软 Dynamics 365 人工智能);Microsoft Research(微软研究院)
我们提出了一个估计和置信区间计算的价值,从政策外的数据在上下文的强盗设置的政策。为此,我们应用经验似然技术制定我们的估计和置信区间作为简单的凸优化问题。然后,使用我们的置信区间的下限,我们提出了一个政策外的政策优化算法,搜索策略与大的回报下限。我们的经验发现,我们的估计和置信区间改善了以前的建议,在有限样本制度。最后,我们提出的策略优化算法优于一个强大的基线系统,用于从非策略数据中学习。
2020-10-17 cs.LG stat.ML
EBPO: Empirical Bayes Shrinkage for Stabilizing Group-Relative Policy Optimization
Meta AI
EBPO通过经验贝叶斯收缩方法稳定群体相对策略优化,有效降低估计方差并提升训练稳定性。
2026-02-23 cs.AI cs.CL cs.LG
What makes useful auxiliary tasks in reinforcement learning: investigating the effect of the target policy
University of Alberta(阿尔伯塔大学);Noah’s Ark Lab, Huawei Technologies Canada(华为加拿大诺亚方舟实验室)
辅助任务在强化学习的表示学习中被认为是有用的。虽然许多辅助任务已被经验证明是有效的,以加快学习的主要任务,它还不清楚是什么使有用的辅助任务。一些最有希望的结果是在像素控制,奖励预测和下一个状态预测辅助任务上;然而,经验结果是混合的,在某些情况下显示出实质性的改善,在其他情况下显示出边际改善。仔细研究辅助任务如何帮助学习主要任务是必要的。在本文中,我们采取了一个步骤,研究目标政策的辅助任务制定为一般价值函数的有用性的影响。一般价值函数由三个核心要素组成:1)策略2)累积量3)连续函数。我们关注辅助任务的目标策略的作用是出于这样一个事实,即目标策略确定代理想要进行预测的行为以及代理被训练的状态-动作分布,这进一步影响了主任务学习。我们的研究提供了一些问题的见解,如:与其他政策相比,贪婪的政策是否会带来更大的改善收益?是否最好将辅助任务策略设置为与主任务策略相同?目标策略的选择是否对所获得的性能增益有实质性影响,或者设置策略的简单策略(例如使用均匀随机策略)是否也有效?我们的实证结果表明:1)辅助任务与贪婪的政策往往是有用的。2)大多数策略,包括均匀随机策略,倾向于在基线上改进。3)令人惊讶的是,与其他策略相比,主任务策略往往没有那么有用。
2022-04-01 cs.AI cs.LG
Provably Efficient Offline Goal-Conditioned Reinforcement Learning with General Function Approximation and Single-Policy Concentrability
UC Berkeley(加州大学伯克利分校);Meta AI;UT Austin(德克萨斯大学奥斯汀分校)
本文针对离线目标条件强化学习,提出首个在通用函数逼近和单策略集中性假设下可证明高效且无需极小极大优化的算法,通过利用目标函数强凸性实现样本复杂度保证,并在真实环境中验证了优越性。
2023-10-11 cs.AI cs.LG
Multi-Agent Reinforcement Learning for Intraday Operating Rooms Scheduling under Uncertainty
Department of Mathematics, National University of Singapore(新加坡国立大学数学系);Department of Mathematics & Risk Management Institute & Center for Quantitative Finance, National University of Singapore(新加坡国立大学数学系及风险管理研究所及量化金融中心);Department of Mathematics and Computer Science, Freie Universität Berlin(柏林自由大学数学与计算机科学系);Department of Network Optimization, Zuse Institute Berlin(柏林Zuse研究所网络优化部);Faculty of Mathematics and Natural Sciences, Technische Universität Berlin(柏林技术大学数学与自然科学学院);Department of Applied Algorithmic Methods, Zuse Institute Berlin(柏林Zuse研究所应用算法方法部)
本文提出基于多代理强化学习的手术室调度方法,通过集中训练和分布式执行策略,有效应对不确定性,提升调度效率和及时性。
2025-12-04 cs.LG
Empirical Policy Evaluation with Supergraphs
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Michigan(密歇根大学)
我们设计并分析了强化学习中经验策略评估问题的算法。我们的算法从高成本状态向后探索,以找到高价值的状态,而不是从所有状态向前工作的向前方法。虽然有几篇论文已经证明了向后探索经验的效用,我们进行了严格的分析表明,我们的算法可以降低平均情况下的样本复杂度从$O(S \log S)$低至$O(\log S)$。
2020-02-18 cs.LG math.OC stat.ML
Maximum Entropy On-Policy Actor-Critic via Entropy Advantage Estimation
School of Electrical Engineering(电气工程学院);Korea University(高丽大学)
本文提出一种将熵目标从MaxEnt RL目标中分离的简单方法,解决了同策略演员-评论家设置中熵奖励管理困难的问题,在MuJoCo和Procgen任务中提升了PPO和TRPO的性能与泛化能力。
2024-07-25 cs.AI cs.LG
Where Did My Optimum Go?: An Empirical Analysis of Gradient Descent Optimization in Policy Gradient Methods
Stanford University(斯坦福大学);MILA(蒙特利尔学习算法研究所);McGill University(麦吉尔大学);Facebook(脸书)
最近对某些梯度下降优化方法的分析表明,性能在某些设置中可能会下降-例如随机性或隐式动量。在深度强化学习(Deep RL)中,这种优化方法通常用于通过时间差异误差或策略梯度来训练神经网络。随着代理随时间的推移而改进,优化目标会发生变化,因此损失景观(和局部最优值)也会发生变化。由于这些方法的失败模式,Deep RL优化器的理想选择仍然不清楚。因此,我们提供了一个实证分析的影响,广泛的梯度下降优化器和他们的超参数对策略梯度方法,深度RL算法的子集,基准连续控制任务。我们发现,自适应优化有一个狭窄的窗口有效的学习率,发散在其他情况下,和动量的有效性取决于环境的属性。我们的分析表明,环境的动态和Deep RL算法属性之间存在显着的相互作用,而传统的自适应梯度方法不一定能解释这些特性。根据我们的研究结果,我们为当前方法的最佳设置和进一步的研究提供了建议。
2018-10-05 cs.AI cs.LG stat.ML
What Matters In On-Policy Reinforcement Learning? A Large-Scale Empirical Study
Google Research(谷歌研究院)
近年来,基于策略的强化学习(RL)已成功应用于许多不同的连续控制任务。虽然RL算法通常在概念上很简单,但其最先进的实现需要大量的低级和高级设计决策,这些决策会强烈影响最终代理的性能。这些选择通常不会在文献中广泛讨论,导致算法的公开描述与其实现之间存在差异。这使得很难归因于RL的进展,并减缓了整体进展[Engstrom'20]。作为填补这一空白的一步,我们在一个统一的政策RL框架中实施了超过50个这样的“选择”,使我们能够在大规模的实证研究中调查它们的影响。我们在五个不同复杂度的连续控制环境中训练了超过250'000名代理,并为RL代理的政策培训提供见解和实用建议。
2020-06-10 cs.LG stat.ML
Policy Gradient Methods for Off-policy Control
McGill University(麦吉尔大学)
离策略学习是指在遵循不同策略的同时学习行为方式或策略的价值函数的问题。基于约束的离策略学习算法,如GTD和TDC/GQ,即使在使用函数近似和增量更新时也会收敛。然而,它们是针对固定行为策略的情况而开发的。在控制问题中,人们希望随着时间的推移调整行为策略,使其相对于现有的价值函数变得更加贪婪。在本文中,我们提出了第一个基于梯度的学习算法,该算法依赖于策略梯度的框架,以修改行为策略。我们提出的算法,收敛定理,推导和经验证据表明,他们比较有利的现有方法。
2015-12-13 cs.AI cs.LG
Online Off-policy Prediction
University of Alberta(阿尔伯塔大学)
本文研究了在线预测学习的问题,学习过程中不断与环境的代理交互。智能体的预测取决于特定的行为方式,表现为价值函数。但是,用于选择操作和生成行为数据的行为可能与用于定义预测的行为不同,因此样本是在策略外生成的。长期以来,在线和离线学习行为相关预测的能力一直被认为是预测知识学习系统的关键能力,但几十年来仍然是一个开放的算法挑战。问题在于大多数预测算法的核心是时间差(TD)学习更新:结合自举、偏离策略采样和函数近似可能会导致值估计发散。一个突破来了一个新的目标函数,承认随机梯度下降变种TD的发展。从那时起,许多健全的在线离线预测算法已经开发出来,但一直有有限的实证工作调查的相对优点的所有变量。本文旨在填补这些经验空白,并澄清每种方法背后的关键思想。我们总结了大量的文献离策略学习,重点是1-方法,使用计算线性的特征数量和下的离策采样收敛,和2-其他方法,已被证明是有用的非固定的,非线性函数逼近。我们在两个具有挑战性的微观世界中提供了一个非政策预测方法的实证研究。我们报告了每种方法的参数敏感性,经验收敛速度和最终性能,提供了新的见解,应该使从业者能够成功地将这些新方法扩展到大规模应用。[摘要摘要]
2018-11-06 cs.AI cs.LG stat.ML
Data-Efficient Off-Policy Policy Evaluation for Reinforcement Learning
Carnegie Mellon University(卡内基梅隆大学)
在本文中,我们提出了一种新的方法来预测性能的强化学习政策给定的历史数据,可能已经产生了不同的政策。从历史数据中评估策略的能力对于部署错误策略可能会带来危险或代价高昂的应用程序非常重要。我们的经验表明,我们的算法产生的估计,往往有数量级较低的均方误差比现有的方法-它使更有效地利用现有的数据。我们的新估计器基于两个进步:双重稳健估计器的扩展(Jiang和Li,2015),以及一种混合基于模型的估计和基于重要性采样的估计的新方法。
2016-04-04 cs.AI cs.LG
Reinforcement Learning Your Way: Agent Characterization through Policy Regularization
Center for Artificial Intelligence Research(人工智能研究中心);University of Agder(阿格德大学);Sparebank 1 SR-Bank(Sparebank 1 SR银行)
最先进的强化学习(RL)算法的复杂性增加导致了抑制可解释性和理解的不透明性。这导致了几个事后可解释性方法的发展,旨在从学习的政策,从而帮助可解释性提取信息。这些方法依赖于对政策的经验观察,因此旨在概括代理人行为的特征。在这项研究中,我们反而开发了一种方法,通过正则化他们的目标函数,将一个特征行为注入代理的策略中。我们的方法在学习过程中指导代理的行为,从而产生内在的特征;它将学习过程与模型解释联系起来。我们提供了一个正式的参数和经验证据,我们的方法的可行性。在未来的工作中,我们打算利用它来开发代理,根据个人金融客户的消费个性来优化他们的投资组合。
2022-01-21 cs.AI cs.LG
A Dataset Perspective on Offline Reinforcement Learning
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);Institute of Advanced Research in Artificial Intelligence (IARAI)(人工智能高级研究所(IARAI));Dynatrace Research(Dynatrace研究院)
强化学习(RL)在现实世界中的应用可能是昂贵的或有风险的,因为在训练过程中的次优策略。在离线RL中,由于禁止与环境交互,因此可以避免此问题。策略是从给定的数据集中学习的,这完全决定了它们的性能。尽管如此,数据集特征如何影响离线RL算法仍然很难研究。数据集特征由对此数据集进行采样的行为策略确定。因此,我们将行为策略的特征定义为在与马尔可夫决策过程(MDP)的相互作用中产生高预期信息的探索性和具有高预期收益的剥削性。我们实现了两个相应的经验措施的数据集采样的行为政策在确定性MDP。第一个经验测量SACo由归一化的唯一状态-动作对定义,并捕获探索。第二个经验度量TQ由归一化的平均轨迹回报定义,并捕获利用。实证结果表明了TQ和SACo的有效性。在使用我们提出的措施的大规模实验中,我们表明,无约束的非策略深度Q网络家族需要具有高SACo的数据集才能找到好的策略。此外,实验表明,策略约束算法在具有高TQ和SACo的数据集上表现良好。最后,实验表明,对于具有高TQ的数据集,纯队列约束的行为克隆与最佳离线RL算法具有竞争力。
2022-07-12 cs.AI cs.LG
Policy Optimization Through Approximate Importance Sampling
University of Cambridge(剑桥大学);KAIST(韩国科学技术院)
最近的政策优化方法(Schulman等人,2015 a; 2017)通过构建新的代理优化目标,取得了实质性的经验成功。这些代理目标允许稳定和低方差的策略学习,但是需要小的策略更新以确保代理目标保持目标策略值的精确近似。在本文中,我们推导出一个替代的目标,通过应用重要性采样(IS)获得的目标政策的价值。然而,基本重要性抽样目标不适合策略优化,因为它会导致太大的变化,在政策更新。因此,我们引入了一个近似值,使我们能够直接权衡的偏差近似与政策更新的方差。我们表明,我们的近似统一以前开发的方法,并允许我们之间的插值。我们通过用近端策略优化技术优化引入的目标来开发实用算法(Schulman等人,2017年)。我们还提供了一个理论分析的政策优化目标,展示偏差方差权衡。我们的经验表明,所得到的算法改进后的最先进的政策政策优化的连续控制基准。
2020-02-21 cs.AI cs.LG stat.ML
Multi-Task Off-Policy Learning from Bandit Feedback
UC Berkeley(加州大学伯克利分校);Amazon(亚马逊);Deepmind(深度思维);Google(谷歌)
许多实际应用,如推荐系统和学习排序,涉及解决多个类似的任务。一个示例是学习具有相似电影偏好的用户的推荐策略,其中用户仍然可以对各个电影进行略微不同的排名。这样的任务可以组织在一个层次结构中,类似的任务通过一个共享的结构相关联。在这项工作中,我们制定了这个问题作为一个上下文的离线策略优化的分层图形模型,从记录的强盗反馈。为了解决这个问题,我们提出了一个分层的政策外优化算法(HierOPO),估计的分层模型的参数,然后对他们采取悲观的行动。我们在线性高斯模型中实例化HierOPO,为此我们也提供了一个有效的实现和分析。我们证明了每个任务的学习策略的次优性的界限,这表明不使用分层模型有明显的改善。我们还对政策进行了实证评估。我们的理论和实证结果表明,使用层次结构解决每个任务独立的明显优势。
2022-12-09 cs.AI cs.LG
An Empirical Comparison of Bias Reduction Methods on Real-World Problems in High-Stakes Policy Settings
Carnegie Mellon University(卡内基梅隆大学)
近年来,机器学习(ML)在教育、刑事司法、医疗保健和社会服务等高风险政策环境中的应用迅速增长,引发了关于如何确保这些系统公平结果的重要讨论。机器学习研究界已经通过提出一系列针对ML模型的公平性增强策略来应对这一挑战,但是尽管已经开发了大量的方法,但在现实世界中评估这些方法的实证工作很少。在这里,我们试图通过调查在ML管道的不同点运行的几种方法在四个现实世界的公共政策和社会公益问题上的性能来填补这一研究空白。在这些问题中,我们发现许多方法在提高模型公平性的能力方面存在很大程度的可变性和不一致性,但通过选择特定于组的分数阈值进行后处理,始终可以消除差异,这对ML研究社区和部署机器学习的从业者都有重要影响,以告知相应的政策决策。
2021-05-13 cs.CY cs.LG
Off-Policy Shaping Ensembles in Reinforcement Learning
Vrije Universiteit Brussel(布鲁塞尔自由大学)
梯度时间差方法的最新进展允许学习的政策外多个价值函数并行与牺牲收敛保证或计算效率。这为强化学习中的声音集成技术开辟了新的可能性。在这项工作中,我们提出了通过基于潜力的塑造奖励相关的政策学习的合奏。该集成通过在其组件上使用投票机制来诱导组合策略。学习是实时的发生的,我们的经验表明,组合策略优于集成的单个策略。
2014-05-21 cs.AI cs.LG
Empirical Evaluation of Contextual Policy Search with a Comparison-based Surrogate Model and Active Covariance Matrix Adaptation
Robotics Innovation Center, DFKI GmbH(德国人工智能研究中心有限公司机器人创新中心)
上下文策略搜索(CPS)是一类多任务强化学习算法,对机器人应用特别有用。背景协方差矩阵自适应演化策略(C-CMA-ES)是最近的一种最先进的方法。它基于标准的黑盒优化算法CMA-ES。CMA-ES有两个有用的扩展,我们将转移到C-CMA-ES和经验评估:ACM-ES,它使用基于比较的代理模型,和aCMA-ES,它使用协方差矩阵的主动更新。我们将证明,这些方法的改进在样本效率方面可以令人印象深刻,尽管这与机器人领域不再相关。
2019-04-14 cs.LG cs.NE stat.ML
Revisiting On-Policy Distillation: Empirical Failure Modes and Simple Fixes
State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA(多模态人工智能系统国家重点实验室,中科院自动化所);School of Artificial Intelligence, UCAS(中国科学技术大学人工智能学院);Fudan University(复旦大学);Independent Researcher(独立研究者)
本文研究了在线策略蒸馏的失败模式,提出改进方法提升训练稳定性,实验显示改进方法在多个任务中提升性能19.8%。
2026-04-27 cs.AI cs.CL cs.LG
Robust On-Policy Sampling for Data-Efficient Policy Evaluation in Reinforcement Learning
University of Edinburgh(爱丁堡大学);University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
强化学习(RL)算法通常被分类为策略上或策略外,这取决于它们是使用来自感兴趣的目标策略还是来自不同行为策略的数据。在本文中,我们研究了政策评估的RL子问题的上下文中的政策数据和政策抽样之间的微妙区别。我们观察到,在政策抽样可能无法匹配的政策数据的预期分布后,只观察到有限数量的轨迹,这种失败阻碍了数据有效的政策评估。为了提高数据效率,我们展示了非i.i.d.策略外采样可以产生更紧密地匹配期望的策略内数据分布的数据,并且因此增加用于策略评估的蒙特卡罗估计器的准确性。我们介绍了一种称为鲁棒的政策抽样的方法,并从理论上和经验上证明,它产生的数据,收敛速度更快,预期的政策分布相比,政策抽样。从经验上讲,我们表明,这种更快的收敛导致较低的均方误差政策价值的估计。
2022-10-10 cs.LG
Doubly Optimal Policy Evaluation for Reinforcement Learning
University of Virginia(弗吉尼亚大学)
针对强化学习策略评估方差大、数据需求高的问题,本文提出数据收集策略与处理基线最优组合的双重最优方法,理论证明其无偏且方差更低,实验验证了降方差效果与性能优势。
2025-03-20 cs.LG
Stable Policy Optimization via Off-Policy Divergence Regularization
Mila(米拉研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学);Facebook AI Research(脸书人工智能研究院)
信任域策略优化(TRPO)和近端策略优化(PPO)是深度强化学习(RL)中最成功的策略梯度方法之一。虽然这些方法在广泛的挑战性任务中实现了最先进的性能,但在策略学习的稳定性和如何使用非策略数据方面仍有改进的空间。在本文中,我们重新审视这些算法的理论基础,并提出了一个新的算法,通过一个邻近项,约束连续政策的折扣状态-动作的访问分布,以接近彼此稳定的政策改善。这个接近项,表示在访问分布之间的分歧,是在一个关闭政策和对抗的方式学习。我们的经验表明,我们提出的方法可以有一个有益的影响,稳定性和提高最终性能的基准高维控制任务。
2020-06-19 cs.LG stat.ML
Variance Reduction for Policy-Gradient Methods via Empirical Variance Minimization
École Polytechnique(巴黎综合理工学院);HSE University(俄罗斯国立高等经济大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
强化学习(RL)中的策略梯度方法是一种非常普遍的方法,在实际应用中得到了广泛的应用,但其性能受到梯度估计的高方差的影响。提出了几种方法来减少它,包括演员-评论家(AC)和优势演员-评论家(A2 C)的方法。最近,由于深度RL的引入,这些方法有了新的视角:新的控制变量(CV)和新的子采样程序在神经网络等复杂模型的设置中变得可用。基于CV的方法的核心部分是CV训练的目标泛函,最流行的是A2 C的最小二乘准则。尽管这一标准在实践中取得了成功,但它并不是唯一可能的标准。在本文中,我们第一次调查的性能称为经验方差(EV)。我们在实验中观察到,不仅EV-标准执行不差于A2 C,但有时可以相当好。除此之外,我们还证明了一些理论保证的实际方差减少非常一般的假设下,并表明A2 C最小二乘目标泛函是EV目标的上界。我们的实验表明,在方差减少方面,基于EV的方法比A2 C好得多,并且允许更强的方差减少。
2022-06-15 cs.LG
Empirical observation of negligible fairness-accuracy trade-offs in machine learning for public policy
Carnegie Mellon University(卡内基梅隆大学)
在政策和社会影响环境中越来越多地使用机器学习,引起了人们对公平影响的担忧,特别是对少数民族。这些问题引起了机器学习和人工智能研究人员的极大兴趣,他们开发了新的方法并建立了提高公平性的理论界限,重点关注源数据,正则化和模型训练,或对模型分数的事后调整。然而,很少有工作研究在现实世界中的公平性和准确性之间的实际权衡,以了解这些界限和方法如何转化为政策选择和对社会的影响。我们的实证研究填补了这一空白,通过调查减少差异对准确性的影响,重点是使用机器学习的共同背景,以告知教育,心理健康,刑事司法和住房安全等资源受限项目的利益分配。在这里,我们描述的应用工作中,我们发现公平性和准确性的权衡是可以忽略不计的实践。在研究的每一个设置中,明确地关注实现公平,并使用我们提出的事后差异缓解方法,公平性得到了大幅提高,而不牺牲准确性。这一观察结果在所研究的政策背景、可用于干预的资源规模、时间和受保护群体的相对规模方面都是稳健的。这些实证结果挑战了一个普遍持有的假设,即减少差异要么需要接受一个明显的下降,准确性或开发新的,复杂的方法,使减少这些应用程序中的差异更实际。
2021-09-03 cs.CY cs.LG
Robust Offline Reinforcement learning with Heavy-Tailed Rewards
LSE(伦敦政治经济学院);Amazon(亚马逊公司);George Washington University(乔治·华盛顿大学);Bytedance(字节跳动公司)
本文针对重尾奖励场景下的离线强化学习鲁棒性问题,提出ROAM和ROOM两个算法框架,通过将中位数之均值方法与离线RL结合实现不确定性估计,在离线策略评估与优化中均优于现有方法。
2024-03-30 cs.AI cs.LG stat.ML
Beyond the One Step Greedy Approach in Reinforcement Learning
Technion, Israel Institute of Technology(以色列理工学院);INRIA(法国国家信息与自动化研究所)
著名的策略迭代算法在策略改进和策略评估之间交替进行。在以前的工作中,已经分析了该算法的实现与后一个评估阶段的几个变体,例如,$n$ -步骤和基于跟踪的返回。然而,多步骤前瞻性政策改进的情况下,尽管最近增加了其实力的经验证据,据我们所知,尚未仔细分析。在这项工作中,我们介绍了第一个这样的分析。也就是说,我们制定多步策略改进的变体,使用这些定义推导出新的算法,并证明其收敛性。此外,我们表明,最近突出的强化学习算法,事实上,我们的框架的实例。因此,我们揭示了他们的经验成功,并给出了一个配方,为未来的研究得出新的算法。
2018-07-30 cs.AI cs.LG stat.ML
Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
本文证明政策学习中经验福利最大化与基于条件平均处理效应估计的插件方法在重新参数化下与最小二乘法精确等价,并据此提出一种更易优化的正则化政策学习方法。
2025-11-05 cs.LG econ.EM math.ST
Bayesian Inference of Contextual Bandit Policies via Empirical Likelihood
School of Mathematics and Statistics University of Melbourne(数学与统计学学院墨尔本大学)
本文提出了一种基于经验似然的贝叶斯推断方法,用于在有限样本条件下对多个上下文老虎机策略进行联合分析,实现了对策略比较的灵活推断和不确定性量化。
2026-02-11 cs.LG stat.ML
Representations for Stable Off-Policy Reinforcement Learning
Google Research(谷歌研究(Google Research))
带有函数逼近的强化学习可能不稳定,甚至发散,特别是当与离策略学习和Bellman更新相结合时。在深度强化学习中,这些问题已经通过调整和规则化表示,特别是辅助任务来经验性地处理。这表明,表示学习可以提供一种手段,以保证稳定性。在本文中,我们正式表明,确实有非平凡的状态表示下,规范TD算法是稳定的,即使在学习关闭的政策。我们分析了表示学习计划的基础上的过渡矩阵的政策,如原价值函数,沿三个轴:近似误差,稳定性和易于估计。在最一般的情况下,我们表明,舒尔基础提供收敛保证,但很难估计样本。对于一个固定的奖励函数,我们发现,相应的Krylov子空间的正交基是一个更好的选择。我们通过经验证明这些稳定的表示可以使用随机梯度下降来学习,从而为深度网络的表示学习的改进技术打开了大门。
2020-10-02 cs.AI cs.LG stat.ML
Q($λ$) with Off-Policy Corrections
VU Brussel(布鲁塞尔自由大学);Google DeepMind(谷歌DeepMind)
我们提出并分析了一种替代方法,关闭政策的多步时间差学习,其中关闭政策的回报与当前Q函数的奖励,而不是与目标政策的转移概率。我们证明了这种近似修正是足够的政策评估和控制,提供一定的条件下,离政策收敛。这些条件将目标策略和行为策略之间的距离、资格跟踪参数和折扣因子联系起来,并在非策略TD($λ$)中形式化了底层的权衡。我们说明了这种理论关系的经验上的连续状态控制任务。
2016-08-11 cs.AI cs.LG stat.ML
Pessimistic Off-Policy Optimization for Learning to Rank
Brno University of Technology(布尔诺理工大学);Kempelen Institute of Intelligent Technologies(肯佩伦智能技术研究所);Amazon(亚马逊)
本文提出一种面向学习排序的悲观离线策略优化方法,通过点击模型参数的下置信界选择最高悲观价值列表,并结合经验贝叶斯,在推荐离线数据不平衡场景下优于基于逆倾向得分或忽略不确定性的基线方法。
2024-08-23 cs.AI cs.IR cs.LG
Generalized Off-Policy Actor-Critic
University of Oxford(牛津大学)
我们提出了一个新的目标,反事实的目标,统一现有的目标,政策外的策略梯度算法在持续的强化学习(RL)设置。通常使用的偏移目标,这可能会误导部署时的目标策略的性能相比,我们的新目标更好地预测这样的性能。我们证明了广义的政策外策略梯度定理来计算反事实目标的策略梯度,并使用一个无偏的方法来获得一个无偏的样本,从这个策略梯度,产生广义的政策外Actor-Critic(Geoff-PAC)算法。我们展示了Geoff-PAC在Mujoco机器人仿真任务中优于现有算法的优点,这是在流行的深度RL基准测试中首次成功的经验性算法。
2019-10-28 cs.AI cs.LG stat.ML
Policy Optimization as Wasserstein Gradient Flows
Duke University(杜克大学);SUNY at Buffalo(纽约州立大学布法罗分校)
策略优化是强化学习(RL)的核心组成部分,并且大多数现有的RL方法基于最大化期望总回报或其代理来直接优化策略的参数。虽然经常取得令人鼓舞的经验成功,其基本的数学原理{ \em policy-distribution}优化是不清楚的。我们把政策优化的概率措施的空间,并解释为Wasserstein梯度流。在概率测度空间上,在一定条件下,策略优化问题就成为一个关于分配优化的凸问题。为了使优化可行,我们开发了有效的算法,通过数值求解相应的离散梯度流。我们的技术适用于几个RL设置,并与许多国家的最先进的政策优化算法。实验结果验证了我们的框架的有效性,往往获得更好的性能相比,相关的算法。
2018-08-09 cs.LG stat.ML
When to Trust Your Model: Model-Based Policy Optimization
University of California, Berkeley(加州大学伯克利分校)
设计有效的基于模型的强化学习算法是困难的,因为数据生成的容易性必须与模型生成的数据的偏差相权衡。本文从理论和实证两个方面研究了模型的使用在政策优化中的作用。我们首先制定和分析了一个基于模型的强化学习算法,保证在每一步的单调改善。在实践中,这种分析是过于悲观,并表明,真正的政策外数据总是优于模型生成的政策上的数据,但我们表明,模型泛化的经验估计可以纳入这样的分析,以证明模型的使用。受此分析的启发,我们证明了一个简单的过程,使用短模型生成的推出分支从真实数据具有更复杂的基于模型的算法的好处,而没有通常的陷阱。特别是,这种方法超越了以前的基于模型的方法的样本效率,匹配最好的无模型算法的渐近性能,并扩展到导致其他基于模型的方法完全失败的范围。
2021-11-29 cs.AI cs.LG stat.ML
Off-Policy Policy Gradient with State Distribution Correction
Stanford University(斯坦福大学);Microsoft Research(微软研究院)
研究了马尔可夫决策过程中的离政策策略优化问题,提出了一种新的离政策策略梯度方法。现有的非策略策略梯度方法通常忽略了在用于收集数据的行为策略下访问的状态的分布与在学习策略下的状态的分布之间的不匹配。在这里,我们建立在最近的进展,估计行为和评估政策下的状态分布的比率进行政策评估,并提出了一个政策外的策略梯度优化技术,可以解释这种不匹配的分布。我们提出了一个说明性的例子,为什么这是重要的,我们的方法的理论收敛保证。从经验上讲,我们在模拟中将我们的方法与几个不纠正这种不匹配的强基线进行了比较,从而显着提高了所发现的政策的质量。
2019-07-06 cs.AI cs.LG stat.ML
Generalized Proximal Policy Optimization with Sample Reuse
Boston University(波士顿大学)
在现实世界的决策任务中,数据驱动的强化学习方法的稳定性和样本效率至关重要。策略方法通常在整个训练过程中产生可靠的策略改进,而非策略方法通过样本重用更有效地利用数据。在这项工作中,我们结合了理论上支持的政策上的算法的稳定性的好处与政策外的算法的样本效率。我们开发的政策改进保证,适合于关闭的政策设置,并连接这些界限的裁剪机制中使用的近端策略优化。这激发了一个流行的算法,我们称之为广义近端策略优化与样本重用的非策略版本。我们从理论上和经验上证明,我们的算法提供了改进的性能,有效地平衡竞争的目标的稳定性和样本效率。
2021-10-29 cs.AI cs.LG stat.ML
On a convergent off -policy temporal difference learning algorithm in on-line learning environment
在本文中,我们在“在线”学习环境中对具有线性函数逼近和每时间步线性计算复杂性的“非策略”时间差学习算法进行了严格的收敛性分析。这里考虑的算法是TDC与Maei等人介绍的重要性加权。我们支持我们的理论结果,提供合适的经验结果标准的政策外的反例。
2016-05-19 cs.LG
Policy Prediction Network: Model-Free Behavior Policy with Model-Based Learning in Continuous Action Space
Hong Kong University of Science and Technology(香港科技大学)
本文提出了一种新的深度强化学习架构,其灵感来自于以前的树结构架构,这些架构仅适用于离散动作空间。策略预测网络提供了一种方法来提高连续控制问题的样本复杂性和性能,以换取训练时的额外计算,但在推出时没有计算成本。我们的方法集成了无模型和基于模型的强化学习之间的混合。策略预测网络是第一个将基于隐式模型的学习引入连续动作空间的策略梯度算法的网络,并且通过经验证明的裁剪方案成为可能。我们的实验集中在MuJoCo环境,使他们可以在这方面所做的类似工作进行比较。
2019-09-15 cs.AI cs.LG stat.ML
Differentially Private Policy Evaluation
Lancaster University(兰卡斯特大学);McGill University(麦吉尔大学)
我们提出了第一个差分私人算法的强化学习,适用于评估一个固定的政策的任务。我们建立了两种方法来实现差分隐私,提供了一个理论分析的隐私和实用性的两种算法,并显示出有前途的结果,简单的实证例子。
2016-03-07 cs.LG stat.ML
Bayesian regularization of empirical MDPs
Carnegie Mellon University(卡内基梅隆大学);Amazon.com, Inc.(亚马逊公司);Stanford Unviersity(斯坦福大学);University of Texas, Austin(德克萨斯大学奥斯汀分校);Google(谷歌)
在基于模型的马尔可夫决策过程的大多数应用中,未知的底层模型的参数往往是从经验数据估计。由于噪声的存在,从估计模型中学习到的策略往往与底层模型的最优策略相差甚远。当应用到底层模型的环境中时,学习到的策略会导致次优性能,因此需要具有更好泛化性能的解决方案。在这项工作中,我们采取贝叶斯的观点和规范的马尔可夫决策过程的目标函数与先验信息,以获得更强大的政策。提出了基于$L^1$正则化和基于相对熵正则化的两种方法。我们评估我们提出的算法合成模拟和现实世界中的搜索日志的大型网上购物商店。我们的研究结果证明了正则化MDP政策对模型中存在的噪声的鲁棒性。
2022-09-21 cs.LG stat.ML
Policy learning "without" overlap: Pessimism and generalized empirical Bernstein's inequality
Harvard University(哈佛大学);University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学);Northwestern University(西北大学)
本文提出悲观策略学习(PPL)算法,通过优化置信下界而非点估计,在不依赖一致重叠假设的条件下实现离线策略学习,并利用广义经验伯恩斯坦不等式为自适应收集数据建立次优性上界,理论和实验均验证了其有效性。
2025-06-05 cs.LG math.ST stat.ME
CoinDICE: Off-Policy Confidence Interval Estimation
University of Alberta(阿尔伯塔大学);DeepMind(深度思维);Google Research(谷歌研究院)
我们研究了强化学习中的高置信度行为不可知的偏离策略评估,其目标是估计目标策略值的置信区间,仅允许访问未知行为策略收集的静态经验数据集。从$Q$ -函数的线性规划公式的函数空间嵌入出发,我们得到了一个具有广义估计方程约束的优化问题。通过将广义经验似然方法应用于所得到的拉格朗日量,我们提出了CoinDICE,一种新的和有效的算法计算置信区间。理论上,我们证明了所得到的置信区间是有效的,在渐近和有限样本制度。从经验上讲,我们在各种基准测试中表明,置信区间估计比现有方法更严格,更准确。
2020-10-22 cs.LG stat.ML
Reusing Historical Trajectories in Natural Policy Gradient via Importance Sampling: Convergence and Convergence Rate
Georgia Institute of Technology(佐治亚理工学院)
本文研究通过重要性采样重用历史轨迹的自然策略梯度方法变体,证明其梯度估计器偏差渐近可忽略、算法收敛且能提高收敛速率,并在经典基准上验证了理论结果。
2025-03-05 cs.LG math.OC
State-Action Similarity-Based Representations for Off-Policy Evaluation
University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
本文提出一种面向离线策略评估的状态-动作相似性表示学习方法,通过学习编码器变换固定数据集后再输入FQE,从而提升数据效率并降低OPE误差。
2023-10-27 cs.LG
Deep reinforcement learning with a particle dynamics environment applied to emergency evacuation of a room with obstacles
University of Connecticut(康涅狄格大学);Suzhou Zhito Technology Co., LTD(苏州智途科技有限公司)
一个非常成功的模拟紧急疏散的模型是社会力模型。该模型的核心是应用于代理并指向出口的自驱动力。然而,目前尚不清楚这种力量的应用是否会导致最佳疏散,特别是在有障碍物的复杂环境中。在这里,我们开发了一种与社会力模型相关联的深度强化学习算法,以训练智能体找到最快的疏散路径。在训练过程中,我们惩罚房间内智能体的每一步,并在出口处给予零奖励。我们采用Dyna-Q学习方法。我们首先表明,在没有障碍物的房间的情况下,所产生的自驱动力直接指向出口,如在社会力模型中,使用这两种方法计算的中位数退出时间间隔没有显着差异。然后,我们研究了一个房间的疏散与一个障碍物和一个出口。我们表明,我们的方法产生类似的结果与社会力模型时,障碍是凸的。然而,在凹障碍物的情况下,有时可以作为陷阱的代理人纯粹由社会力量模型,并禁止完全的房间疏散,我们的方法显然是有利的,因为它得到了一个政策,结果在对象避免和完全的房间疏散没有额外的假设。我们还研究了具有多个出口的房间的疏散。我们表明,代理能够有效地从最近的出口通过一个共享的网络训练一个单一的代理撤离。最后,我们测试了Dyna-Q学习方法在具有多个出口和障碍物的复杂环境中的鲁棒性。总的来说,我们表明,我们的模型可以有效地模拟紧急疏散在复杂的环境中,多个房间的出口和障碍物,这是很难获得一个直观的规则快速疏散。
2020-11-30 cs.LG physics.comp-ph
Cross-Validated Off-Policy Evaluation
Brno University of Technology(布尔诺理工大学);Kempelen Institute of Intelligent Technologies(凯姆佩伦智能技术研究所);Adobe Research(奥多比研究院);AWS AI Labs(亚马逊云服务人工智能实验室)
研究离线策略评估中的估计器选择与超参数调优问题,提出将交叉验证应用于离线策略评估的方法,打破了该领域交叉验证不可行的传统观点,并通过实验验证其有效性。
2024-12-20 cs.LG
Hyperparameter Optimization Can Even be Harmful in Off-Policy Learning and How to Deal with It
Cornell University(康奈尔大学);CyberAgent, Inc.(CyberAgent公司)
本工作探讨了离策略学习中的超参数优化问题,发现天真地将无偏估计器作为替代目标会导致泛化性能被高估的意外失败,并提出简单且计算高效的修正方法,在典型流程失效时表现出有效性。
2024-04-23 cs.LG
PC-MLP: Model-based Reinforcement Learning with Policy Cover Guided Exploration
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学)
基于模型的强化学习(RL)是一种流行的学习范式,由于其潜在的样本效率相比,无模型RL。然而,现有的基于经验模型的强化学习方法缺乏探索能力。本文研究了核化非线性调节器(KNR)和线性马尔可夫决策过程(MDP)的一种基于模型的算法。对于这两种模型,我们的算法保证多项式样本的复杂性,只使用访问规划预言。在实验中,我们首先证明了我们的算法的灵活性和有效性的一组探索具有挑战性的控制任务,现有的基于经验模型的RL方法完全失败。然后,我们表明,我们的方法保留了出色的性能,即使在常见的密集奖励控制基准,不需要大量的探索。最后,我们证明了我们的方法也可以有效地进行无奖励探索。我们的代码可以在https://github.com/yudasong/PCMLP上找到。
2021-07-15 cs.LG
An Empirical Study of the Effectiveness of Using a Replay Buffer on Mode Discovery in GFlowNets
Mila(米拉人工智能研究所);McGill University(麦吉尔大学);DeepMind(深度思维)
该研究针对GFlowNets这类新型生成式强化学习算法,实证探索了经验回放缓冲区的多种采样技术对其模式发现的影响,实验证实该方法可显著提升模式发现的速度与质量。
2023-07-18 cs.LG