强化学习_11_Datawhale模仿学习

习题

11-1 对于模仿学习，具体的方法有哪些？

行为克隆
逆强化学习

11-2 行为克隆存在哪些问题呢？我们可以如何处理呢？

1. 学习样本有限

• 无法学到特殊情况的智能体策略。
• 处理方法(聚合数据)
  • 我们会希望收集更多样性的数据，而不是只收集专家所看到的观测。我们会希望能够收集专家在各种
    极端的情况下，它会采取什么样的行为

2. 机器会完全模仿专家的行为，不管专家的行为是否有道理，就算没有道理，没有什么用的，就算这是专家本身的习惯，机器也会硬把它记下来
3. 在做行为克隆的时候，训练数据跟测试数据是不匹配的。我们可以用数据集聚合的方法来缓解这个问题

11-3 逆强化学习是怎么运行的呢？

0. 构建环境
1. 收集专家的示范行为序列
2. 智能体和环境交互， 并基于专家示范设计奖励，使得专家奖励 > 智能体奖励
3. 用一般强化学习的方法进行智能体训练
4. 更改奖励函数，重复 2 3 知道 智能体和专家的奖励几乎一致

11-4 逆强化学习方法与生成对抗网络（generative adversarial networks，GAN）在图像生成中有什么异曲同工之处？

两者过程基本一致:

1. 生成的图就是专家的判别结果，生成器就是演员，生成器会生成很多的图并让演员与环境进行互
   动，从而产生很多轨迹。这些轨迹跟环境互动的记录等价于生成对抗网络中的生成图。
2. 在逆强化学习中的奖励函数就是判别器。奖励函数要给专家的实例高分，给演员的互动结果低分。
3. 考虑两者的过程，在逆强化学习中，演员会想办法，从这个已经学习到的奖励函数中得到高分，然
   后迭代地去循环这其实是与生成对抗网络的过程是一致的