中科大提出動作價值表征學(xué)習(xí)新方法，率先填補長期決策信息的缺失
在視覺強化學(xué)習(xí)中，許多方法未考慮序列決策過程，導(dǎo)致所學(xué)表征缺乏關(guān)鍵的長期信息的空缺被填補上了。
來自中科大的研究人員在信息瓶頸（Information Bottleneck）框架下，提出了一種新穎的魯棒動作價值表征學(xué)習(xí)方法ROUSER。
作者從理論上證明了ROUSER能夠使用學(xué)習(xí)到的魯棒表征準確估計動作價值，從而避免了智能體在測試環(huán)境中的決策能力遭到削弱。
具體而言，ROUSER通過最大化表征與動作價值之間的互信息，來保留長期信息；同時，最小化表征與狀態(tài)-動作對之間的互信息，以濾除無關(guān)特征。
由于動作價值是未知的，ROUSER提出將狀態(tài)-動作對的魯棒表征分解為單步獎勵和下一狀態(tài)-動作對的魯棒表征。
實驗結(jié)果表明，在包括背景干擾與顏色干擾的12項任務(wù)中，ROUSER于其中的11項任務(wù)上優(yōu)于多種當(dāng)前的先進方法。
傳統(tǒng)方法難以捕捉關(guān)鍵長期信息
視覺強化學(xué)習(xí)中的泛化問題近年來受到了廣泛關(guān)注，其研究潛力在于使智能體具備處理現(xiàn)實復(fù)雜任務(wù)的能力，并能在多樣化環(huán)境中表現(xiàn)良好。
這里的泛化能力是指智能體能夠?qū)⑵鋵W(xué)到的策略直接應(yīng)用于未知環(huán)境，即使這些環(huán)境中存在與訓(xùn)練階段不同的視覺干擾（如動態(tài)背景或可控物體顏色變化）。
因此，具備良好泛化能力的智能體可以在面臨未見干擾的環(huán)境時依然保持高性能執(zhí)行任務(wù)，無需大量的重新訓(xùn)練。
盡管現(xiàn)有方法以數(shù)據(jù)增廣、對比學(xué)習(xí)等技術(shù)增強了智能體面向環(huán)境視覺干擾的魯棒性，但值得注意的是，這類研究往往僅聚焦于如何從視覺圖像中提取魯棒的、不隨環(huán)境變化的信息，忽略了下游關(guān)鍵的決策過程。
這導(dǎo)致這些方法難以捕捉序列數(shù)據(jù)中關(guān)鍵的長期信息，而這正是視覺強化學(xué)習(xí)泛化能力的核心因素之一。
為了針對性地解決這類問題，作者在信息瓶頸（Information Bottleneck）框架下，提出了魯棒動作價值表征學(xué)習(xí)方法（ROUSER），通過引入信息瓶頸來學(xué)習(xí)能有效捕捉?jīng)Q策目標中長期信息的向量化表征。
分解狀態(tài)-動作對魯棒表征
本文提出的ROUSER主要包括兩個核心思路：
一是為了學(xué)習(xí)能有效捕捉?jīng)Q策目標中長期信息的向量化表征，ROUSER基于信息瓶頸框架，通過最大化表征與動作價值之間的互信息，來保留長期信息；
同時，最小化表征與狀態(tài)-動作對之間的互信息，以濾除無關(guān)特征。
二是由于動作價值是未知的，無法直接最大化表征與動作價值之間的互信息，因此ROUSER提出將狀態(tài)-動作對的魯棒表征分解為僅包含單步獎勵信息的表征和下一狀態(tài)-動作對的魯棒表征。
這樣一來，可以借助已知的單步獎勵，計算用于魯棒表征學(xué)習(xí)的損失函數(shù)。
方法架構(gòu)圖如下所示：
為實現(xiàn)上述思路，ROUSER主要包括兩個核心模塊——獎勵模型（Reward Model）和魯棒損失（Robust Loss）。
其中獎勵模型旨在學(xué)習(xí)僅包含單步獎勵信息的表征。
具體來說，獎勵模型基于信息瓶頸框架，最大化從狀態(tài)-動作對中提取的獎勵表征與單步獎勵之間的互信息，同時最小化獎勵表征與對應(yīng)狀態(tài)-動作對之間的互信息，從而引導(dǎo)模型學(xué)習(xí)僅包含獎勵信息的表征。
魯棒損失則旨在構(gòu)建可計算的損失函數(shù)，學(xué)習(xí)能有效捕捉?jīng)Q策目標中長期信息的向量化表征。
基于對狀態(tài)-動作對的魯棒表征分解技術(shù)，構(gòu)建遞歸式損失函數(shù)，僅利用獎勵模型編碼的表征即可直接計算該損失。
且該部分僅為損失函數(shù)的構(gòu)建，并沒有更改強化學(xué)習(xí)中批評家（Critic）模型的架構(gòu)。最終旨在學(xué)習(xí)的向量化表征為批評家模型的中間層嵌入（Embedding）。
本文理論證明了ROUSER能夠利用學(xué)習(xí)到的向量化表征準確估計決策目標，即動作價值。
基于這一理論結(jié)果，ROUSER能有效結(jié)合各類連續(xù)和離散控制的視覺強化學(xué)習(xí)算法，以提升其對動作價值估計的準確性，從而提升整體魯棒性。
實驗結(jié)果
在視覺強化學(xué)習(xí)泛化性研究的12個連續(xù)控制任務(wù)中，ROUSER于11個任務(wù)上取得了最優(yōu)性能。
其中下圖的6個任務(wù)是智能體面向物體動態(tài)顏色變化干擾的泛化性能。
下圖的6個任務(wù)展示了智能體面向背景干擾的泛化性能。
ROUSER方法的一大特點是可以兼容離散控制任務(wù)，本文在Procgen環(huán)境中進行了相關(guān)實驗。
如下表所示，當(dāng)ROUSER與基于價值的VRL方法結(jié)合應(yīng)用于非連續(xù)控制任務(wù)時，也能夠提升智能體的泛化性能。
更多內(nèi)容請參考原論文與項目主頁。
論文第一作者楊睿，中國科學(xué)技術(shù)大學(xué)2019級碩博連讀生，師從王杰教授、李斌教授，主要研究方向為強化學(xué)習(xí)、自動駕駛等。
