「AlphaGo 之父」David Silver最新演讲,传授强化学习的十大原则

百家 作者:机器之心 2018-09-17 07:45:30

选自deeplearningindaba

作者:David Silver

机器之心编辑部


9 月 9 日-14 日,Deep Learning Indaba 2018 大会在南非斯泰伦博斯举行。会上,DeepMind 强化学习研究小组负责人、首席研究员、AlphaGo 项目负责人 David Silver 发表演讲,介绍了强化学习的十大原则。机器之心对该演讲进行了介绍。


演讲课件地址:http://www.deeplearningindaba.com/uploads/1/0/2/6/102657286/principles_of_deep_rl.pdf



原则一:评估方法驱动研究进展


David Silver 指出,客观、量化的评估方法是强化学习进展的重要驱动力:


  • 评估指标的选择决定了研究进展的方向;

  • 这可以说是强化学习项目中最重要的一个决定。


David Silver 介绍了两种评估方法:


  • 排行榜驱动的研究

  •   确保评估指标紧密对应最终目标;

  •   避免主观评估(如人类评估)。


  • 假设驱动的研究

  •   形成一个假设:Double-Q 学习优于 Q 学习,因为前者减少了向上偏误(upward bias);

  •   在宽泛的条件下验证该假设;

  •   对比同类方法,而不是只与当前最优方法进行对比;

  •   寻求理解,而不是排行榜表现。



原则二:可扩展性是成功的关键


David Silver 认为可扩展性是强化学习研究成功的关键。


  • 算法的可扩展性指与资源相关的算法的性能变化;

  • 资源包括计算量、内存或数据;

  • 算法的可扩展性最终决定算法成功与否;

  • 可扩展性比研究的起点更加重要;

  • 优秀的算法在给定有限资源的条件下是最优的。



原则三:通用性(Generality)支持算法的长远有效性


算法的通用性指它在不同强化学习环境中的性能。研究者在训练时要避免在当前任务上的过拟合,并寻求可以泛化至未来未知环境的算法。


我们无法预测未来,但是未来任务的复杂度可能至少和当前任务持平;在当前任务上遇到的困难在未来则很有可能增加。


因此,要想使算法可以泛化至未来的不同强化学习环境,研究者必须在多样化且真实的强化学习环境集合上测试算法。



原则四:信任智能体的经验


David Silver 指出经验(观察、动作和奖励)是强化学习的数据,公式可以写作:


h_t=o_1,r_1,a_2,o_2,r_2,...,a_t,o_t,r_t


经验流随智能体在环境中学习时间的延长而累积。


他告诫我们,要把智能体的经验作为知识的唯一来源。人们在智能体学习遇到问题时倾向于添加人类的专业知识(人类数据、特征、启发式方法、约束、抽象、域操控)。


他认为,完全从经验中学习看起来似乎不可能。也就是说,强化学习的核心问题非常棘手。但这是 AI 的核心问题,也值得我们付出努力。从长远来看,从经验中学习一直是正确的选择。



原则五:状态是主观的


David Silver 指出:


  • 智能体应该从它们的经验中构建属于自己的状态,即:s_t=f(h_t)

  • 智能体状态是前一个状态和新观察的函数:s_t=f(s_t-1,a_t-1,o_t,r_t) 


如下图所示:

  • 它是循环神经网络的隐藏状态。

  • 永远不要根据环境的「真实」状态来定义状态(智能体应该是一个部分可观察马尔可夫链模型)。



原则六:控制数据流


  • 智能体存在于丰富的感觉运动(sensorimotor)数据流中:

  •   观测结果的数据流输入到智能体中;

  •   智能体输出动作流。

  • 智能体的动作会影响数据流:

  • 特征控制 => 数据流控制

  • 数据流控制 => 控制未来

  • 控制未来 => 可以最大化任意奖励



原则七:用价值函数对环境建模


David Silver 首先给出了使用价值函数的三个原因:


  • 高效地对未来进行总结/缓存;

  • 将规划过程简化为固定时间的查找,而不是进行指数时间量级的预测;

  • 独立于时间步跨度进行计算和学习。


他指出,学习多个价值函数可以高效地建模环境的多个方面(控制状态流),包括随后的状态变量;还能在多个时间尺度上学习。他还提醒我们避免在过于简化的时间步上建模环境。



原则八:规划:从想象的经验中学习


David Silver 提出了一种有效的规划方法,并将其分为两步。首先想象下一步会发生什么,从模型中采样状态的轨迹;然后利用我们在真实经验中用过的 RL 算法从想象的经验中学习。他提醒我们从现在开始关注价值函数逼近。



原则九:使用函数近似器


David Silver 认为,可微网络架构是一种强大的工具,可以丰富状态表示,同时使可微记忆、可微规划以及分层控制更加便利。他提出将算法复杂度引入网络架构,以减少算法复杂度(指参数的更新方式),增加架构的表达性(指参数的作用)。



原则十:学会学习


AI 史是一个进步史:


  • 第一代:旧式的 AI

  •   手动预测:此时的人工智能只能执行手动预测

  •   什么也学不会

  • 第二代:浅层学习

  •   手动构建特征:研究人员需要耗费大量时间、精力手动构建特征

  •   学习预测

  • 第三代:深度学习

  •   手动构建的算法(优化器、目标、架构……)

  •   端到端学习特征和预测

  • 第四代:元学习

  •   无需手工

  •   端到端学习算法和特征以及预测




本文为机器之心编译,转载请联系本公众号获得授权

✄------------------------------------------------

加入机器之心(全职记者 / 实习生):hr@jiqizhixin.com

投稿或寻求报道:content@jiqizhixin.com

广告 & 商务合作:bd@jiqizhixin.com

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接