强化学习的十大原则

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;

• 这能够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

造成一个假设：

Double-Q 学习优于 Q 学习，由于前者减小了向上偏误(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剧要;

• 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一样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，并寻求能够泛化至将来未知环境的算法。

咱们没法预测将来，可是将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将来则颇有可能增长。

所以，要想使算法能够泛化至将来的不一样强化学习环境，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、动做和奖励)是强化学习的数据，公式能够写做：

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。

他告诫咱们，要把智能体的经验做为知识的惟一来源。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，彻底从经验中学习看起来彷佛不可能。也就是说，强化学习的核心问题很是棘手。但这是 AI 的核心问题，也值得咱们付出努力。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本身的状态，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)

以下图所示：

 

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受运动(sensorimotor)数据流中：

• 观测结果的数据流输入到智能体中;

• 智能体输出动做流。

智能体的动做会影响数据流： 

• 特征控制 => 数据流控制

• 数据流控制 => 控制将来

• 控制将来 => 能够最大化任意奖励

 

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缘由：

• 高效地对将来进行总结/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，学习多个价值函数能够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。他还提醒咱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;而后利用咱们在真实经验中用过的 RL 算法从想象的经验中学习。他提醒咱们从如今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，能够丰富状态表示，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，以减小算法复杂度(指参数的更新方式)，增长架构的表达性(指参数的做用)。

 

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：研究人员须要耗费大量时间、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