[課程筆記] 機器學習2021(李弘毅) L33.概述增強式學習(五)

L5. No Reward: Learning from Demonstration

Motivation

• 许多场景下，奖励难以被定义，像是:
  • 自驾车
• 即使是人类設計奖励，若不够周全，机器会学错
  • 机械公敌中，机器人神逻辑，把保护人类解释成监禁人类
• 人設計的奖励不一定是最好的

Imitation Learning

•  在没有 reward 的情况下，可以利用专家的行为来训练模型

Isn't it supervised learning?

• 模仿专家的行为，是一种 behavior cloning
• 存在一些问题:
  • 专家的行为数据，无法覆盖所有情况 (E.g. 专家不会撞墙，机器因此无法学习到快撞墙时要如何修正)
  • 机器无法从专家的行为，了解真正需要学习的部份 (E.g. 影集中主角学中文时，看到老师有手势，以为那是中文的一部份)
  • 特别是当模型能力有限时，只能选择部份学习，这时就可能会学错

Inverse Reinforcement Learning

• Reinforcement Learning:
  • 透过奖励，学习最佳的 Actor
• Inverse Reinforcement Learning:
  • 透过专家型为，学习 reward function
  • 接着再透过学习到的 reward function，训练最佳的 Actor

• 学习 Reward Function
  • 让模型对专家行为给出高奖励，对机器行为给出低奖励
• 训练 Actor
  • 使用上面学到的 Reward Function，用一般强化学习训练
• 当 Actor 变强之后，需要再训练调整 Reward Function，重复不断循环

IRL vs. GAN

• Reward function: 对比 GAN 中的 discriminator
• Actor: 对比 GAN 中的 Generator

参考

1. ​李弘毅老師 -【機器學習2021】概述增強式學習 (Reinforcement Learning, RL) (五)

​