論文の概要: Curious Explorer: a provable exploration strategy in Policy Learning
- arxiv url: http://arxiv.org/abs/2106.15503v1
- Date: Tue, 29 Jun 2021 15:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 19:01:53.395682
- Title: Curious Explorer: a provable exploration strategy in Policy Learning
- Title（参考訳）: Curious Explorer: 政策学習における実証可能な探索戦略
- Authors: Marco Miani, Maurizio Parton, Marco Romito
- Abstract要約: 我々は,新規かつ簡便な状態空間探索戦略であるCurious Explorerを開発した。
Curious Explorerは$rho$から始まり、不訪問状態のセットに割り当てられた固有の報酬を使用することで、一連のポリシーを生成する。
我々は、Curious Explorerが、挑戦的な探索を行い、MDPの性能を向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Having access to an exploring restart distribution (the so-called wide
coverage assumption) is critical with policy gradient methods. This is due to
the fact that, while the objective function is insensitive to updates in
unlikely states, the agent may still need improvements in those states in order
to reach a nearly optimal payoff. For this reason, wide coverage is used in
some form when analyzing theoretical properties of practical policy gradient
methods. However, this assumption can be unfeasible in certain environments,
for instance when learning is online, or when restarts are possible only from a
fixed initial state. In these cases, classical policy gradient algorithms can
have very poor convergence properties and sample efficiency. In this paper, we
develop Curious Explorer, a novel and simple iterative state space exploration
strategy that can be used with any starting distribution $\rho$. Curious
Explorer starts from $\rho$, then using intrinsic rewards assigned to the set
of poorly visited states produces a sequence of policies, each one more
exploratory than the previous one in an informed way, and finally outputs a
restart model $\mu$ based on the state visitation distribution of the
exploratory policies. Curious Explorer is provable, in the sense that we
provide theoretical upper bounds on how often an optimal policy visits poorly
visited states. These bounds can be used to prove PAC convergence and sample
efficiency results when a PAC optimizer is plugged in Curious Explorer. This
allows to achieve global convergence and sample efficiency results without any
coverage assumption for REINFORCE, and potentially for any other policy
gradient method ensuring PAC convergence with wide coverage. Finally, we plug
(the output of) Curious Explorer into REINFORCE and TRPO, and show empirically
that it can improve performance in MDPs with challenging exploration.
- Abstract（参考訳）: 再スタート分布(いわゆるワイドカバレッジ仮定)へのアクセスは、ポリシー勾配法において極めて重要である。
これは、目的関数が不可能な状態の更新に敏感であるのに対して、エージェントがほぼ最適のペイオフに達するためには、これらの状態を改善する必要があるという事実による。
このため、実用的な政策勾配法の理論的性質を解析する際には、広い範囲が何らかの形で用いられる。
しかし、学習がオンラインである場合や、固定初期状態からのみ再起動が可能な場合など、特定の環境では実現不可能である。
このような場合、古典的なポリシー勾配アルゴリズムは収束特性やサンプル効率が非常に劣る。
本稿では,任意の開始分布を$\rho$で利用可能な,新規かつシンプルな反復的状態空間探索戦略であるCurious Explorerを開発する。
Curious Explorerは$\rho$から始まり、未訪問状態の集合に割り当てられた本質的な報酬を使用して一連のポリシーを生成し、それぞれがインフォメーションされた方法で前のものよりも探索的になり、最終的に探索ポリシーの状態訪問分布に基づいて再起動モデル$\mu$を出力する。
キュリオシティー・エクスプローラー(Curious Explorer)は、最適な政策が訪問不足の州をいかに頻繁に訪れるかという理論的上限を提供するという意味で、証明可能である。
これらのバウンダリは、Curious ExplorerにPACオプティマイザを差し込むと、PAC収束とサンプル効率を証明できる。
これにより、広範囲なカバレッジでpac収束を確実にする他のポリシーグラデーション手法に対して、補足のためのカバレッジ仮定なしに、グローバル収束とサンプル効率結果を達成することができる。
最後に、Curious ExplorerをREINFORCEとTRPOに(出力)プラグインし、探索に挑戦してMDPの性能を向上させることを実証的に示す。
関連論文リスト
- Oracle-Efficient Reinforcement Learning for Max Value Ensembles [7.404901768256101]
大または無限の状態空間における強化学習(RL)は、理論上、実験的に困難である。
この作業では、$textitmax-following Policy$と競合することを目指しています。
我々の主な成果は、構成ポリシーのみにアクセスすると、最大フォローポリシーと競合する効率的なアルゴリズムである。
論文 参考訳（メタデータ） (2024-05-27T01:08:23Z) - Maximum State Entropy Exploration using Predecessor and Successor
Representations [17.732962106114478]
動物は、食物の配置などの重要なタスクにおいて、動物を探索する能力が発達している。
本稿では,過去の叙述的経験を条件に,効率的な探索政策を学習する手法である$etapsi$-Learningを提案する。
論文 参考訳（メタデータ） (2023-06-26T16:08:26Z) - A State-Distribution Matching Approach to Non-Episodic Reinforcement
Learning [61.406020873047794]
現実世界の応用への大きなハードルは、エピソード的な環境でのアルゴリズムの開発である。
提案手法は,提案する実証実験における状態分布に一致するように後方方針を訓練する手法である。
実験の結果,MEDALは3つのスパース・リワード連続制御タスクにおいて先行手法と一致し,性能が向上することがわかった。
論文 参考訳（メタデータ） (2022-05-11T00:06:29Z) - Explicit Explore, Exploit, or Escape ($E^4$): near-optimal
safety-constrained reinforcement learning in polynomial time [0.0]
制約付きマルコフ決定プロセス(CMDP)は、長期的な安全性の制約を提供する。
本稿では,Explicit Explore, Exploit, Escapeと呼ばれるモデルに基づくRLアルゴリズムを提案する。
E4$は、CMDPのエクスプロイト、探索、エスケープを明確に分離し、政策改善のターゲットポリシーを可能にする。
論文 参考訳（メタデータ） (2021-11-14T17:43:25Z) - Reannealing of Decaying Exploration Based On Heuristic Measure in Deep
Q-Network [82.20059754270302]
本稿では,再熱処理の概念に基づくアルゴリズムを提案し,必要なときにのみ探索を促進することを目的とする。
我々は、訓練を加速し、より良い政策を得る可能性を示す実証的なケーススタディを実施している。
論文 参考訳（メタデータ） (2020-09-29T20:40:00Z) - Provably Efficient Reward-Agnostic Navigation with Linear Value
Iteration [143.43658264904863]
我々は、最小二乗値スタイルのアルゴリズムで一般的に使用される、より標準的なベルマン誤差の概念の下での反復が、ほぼ最適値関数の学習において強力なPAC保証を提供することを示す。
そこで本稿では,任意の(線形な)報酬関数に対して,最適に近いポリシーを学習するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2020-08-18T04:34:21Z) - PC-PG: Policy Cover Directed Exploration for Provable Policy Gradient
Learning [35.044047991893365]
本研究は,政策カバーグラディエント(PC-PG)アルゴリズムを導入し,政策(政策カバー)のアンサンブルを用いて,探索対搾取トレードオフのバランスをとる。
我々は,PC-PG が標準最悪の場合である $ell_infty$ の仮定を超越したモデル不特定性の下で強い保証を持つことを示す。
また、報酬なしと報酬駆動の両方の設定において、様々な領域にまたがる経験的評価で理論を補完する。
論文 参考訳（メタデータ） (2020-07-16T16:57:41Z) - Provably Good Batch Reinforcement Learning Without Great Exploration [51.51462608429621]
バッチ強化学習(RL)は、RLアルゴリズムを多くの高利得タスクに適用するために重要である。
最近のアルゴリズムは将来性を示しているが、期待された結果に対して過度に楽観的である。
より保守的な更新を行うため、ベルマンの最適性と評価のバックアップに小さな修正を加えることで、はるかに強力な保証が得られることを示す。
論文 参考訳（メタデータ） (2020-07-16T09:25:54Z) - Reward-Free Exploration for Reinforcement Learning [82.3300753751066]
探索の課題を分離する「逆フリーなRL」フレームワークを提案する。
我々は,$tildemathcalO(S2Amathrmpoly(H)/epsilon2)$の探索を効率的に行うアルゴリズムを提案する。
また、ほぼ一致する$Omega(S2AH2/epsilon2)$ lower boundを与え、この設定でアルゴリズムのほぼ最適性を示す。
論文 参考訳（メタデータ） (2020-02-07T14:03:38Z) - Provably Efficient Exploration in Policy Optimization [117.09887790160406]
本稿では,最適化アルゴリズム(OPPO)の最適変種を提案する。
OPPO は $tildeO(sqrtd2 H3 T )$ regret を達成する。
我々の知る限りでは、OPPOは、探索する最初の証明可能な効率的なポリシー最適化アルゴリズムである。
論文 参考訳（メタデータ） (2019-12-12T08:40:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。