重生强化【Reincarnating RL】论文梳理_沈向洋博士论文十问-CSDN博客

本文链接：https://blog.csdn.net/hehedadaq/article/details/128320723

重生强化【Reincarnating RL】论文梳理

文章目录

重生强化【Reincarnating RL】论文梳理

前言：

好久没写文章速读了，最近群友推荐了两篇非常有意思的文章，一个是重置强化，一个是重生强化，从两个不同的角度来让强化学的更快。

由于我最近也在做相关的工作，然后就仔细的看了这两篇文章。第一篇文章录了一个视频：【ResetNet-The Primacy Bias in Deep Reinforcement Learning论文解读和讨论-哔哩哔哩】 https://b23.tv/GJQ85N5

第二篇这周六晚上和群友讨论后，应该也会有一个视频。今天先梳理下思路。

首先这篇文章的openreview评分并不高，因为他的主要方法比较trivial，但是他的故事讲的非常棒，切入的点非常宏大，然后实现的效果比较明显，实验结果也很丰富。

另外，知乎曾经有一个强化的热门话题：为什么强化学习里很少有预训练模型（Pretrained Model）？。“在NLP和CV领域中都存在一些非常出名的预训练模型（例如BERT和ResNet），但好像没有太听说强化学习里有类似于这种的backbone呢？” 那么这篇文章就尝试让强化学习领域，能够构建类似的backbone，并且推崇这种预训练模型的范式。

基于此，他们只是在文中提供了一个例子，可以实现policy to value 的迁移（其实本质上是提供一个次优的policy，加上部分次优数据，去预训练一个白板强化（tabula-rasa RL），再利用行为克隆来做约束，帮助策略快速收敛，最后给行为克隆损失加一个衰减系数做“断奶”，让新的强化策略最终能超过原本的次优引导policy），这种方案在文中给的例子中效果不错。但是我个人感觉这种方案，可能对于AC结构的算法不是那么合适。

文章链接：

https://agarwl.github.io/reincarnating_rl

作者团队介绍：

在这里插入图片描述
谷歌大脑在蒙特利尔的研究院。看一作的talk，也是一个乐呵的人，有点意思。

沈向洋老师的论文十问：

Q1：论文试图解决什么问题？
A1：本文尝试正式定义好，强化学习领域，如何利用过去的训练结果。最好要突破网络结构的限制。

Q2：这是否是一个新的问题？
A2：这并不是新的问题，如何利用过去的训练结果，之前很多人都有过尝试。但是他们第一次正式的给出定义，并且提供了一个较为universal的方案，可以仅从次优策略和数据，实现到加速白板value-based RL的快速学习。

Q3：这篇文章要验证一个什么科学假设？
A3：提供一个强化预训练范式，至于重生强化，感觉更像噱头，但确实高大上了许多。

Q4：有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？
A4：文中提到了五个：Rehearsal，JSRL，Offline RL Pretraining，Kickstarting，DQfD，但我感觉还有一个没提到，就是就是残差强化，因为在探索中利用guide-policy，JSRL属实不是一个好的方案，很明显会造成引导和学习策略的状态分布不匹配，而我上一篇工作RHER的自我引导探索策略采用的随机混合模式就不会有这样的问题。至于本文提到的重生强化，所提出的算法PVRL（policy(+data) to value RL），他们和上述五个方案的异同点在于，和offline RL一样，利用teacher policy的data做了离线预训练，后面的在线调优，和Kickstarting一样，都用了策略蒸馏损失，和他们不一样的在于，这篇工作对策略蒸馏损失加了一个衰减系数，作为“断奶”的操作。一共就三步，而且最后一个不同其实也就多了一个超参数。但人家是第一个正式定义大模型预训练范式，并且在很多任务中都验证好使，也算是一个solid work。

Q5：论文中提到的解决方案之关键是什么？
A5：我刚刚开始以为解决方案就是预训练加行为克隆损失。但细看文章的时候，它在文章开头前三页都没有说具体的方法，而是笼统的冠以“policy2value RL”，实现仅仅有一个sub-optimal policy，就能帮助一个新的value-based RL快速训练，根本不用管这个新的RL agent的网络结构和超参数，这个描述让我觉得太神奇了，我看完了甚至都不知道该如何实现。然后看到method的时候，才发现，其实就是一个policy distillation loss…甚至它还需要teacher agent的部分数据。用审稿人的话就是，不该称为PVRL，而是(Policy+Data to Value)RL.。那么它的关键技术就A4提到的三步，预训练，蒸馏，加衰减系数对teacher policy的“断奶”。

Q6：论文中的实验是如何设计的？
A6：实验设计范式和普通的强化完全不一样。
在这里插入图片描述
首先，横纵坐标就很不一样，横坐标根据不同的训练模式，分成了不同的panel（不同的部分?），纵坐标则做了一个norm，随机策略的性能为0，teacher policy的性能为1，应该是线性划分，用以突出teacher policy和student policy的性能差距。其次关于曲线，断续的纵线表示重生操作，左边是teacher policies的效果，或者是预训练的性能曲线，右边是student policy在线调优的性能曲线。title和legend表示不同的设置。

Q7：用于定量评估的数据集是什么？代码有没有开源？
A7：几个比较消耗资源的大任务，比如说雅塔丽游戏中的Arcade Learning Environment (ALE，街机游戏任务，离散动作，DQN系列) ；火柴人控制任务：humanoid:run （唯一的一个连续动作任务，用的TD3，没用预训练，非常诡异，我十分怀疑TD3预训练效果并不好使~）；真实场景任务（其实也是仿真）：Balloon Learning Environment (BLE，热气球飞行控制，也是离散动作，用的DQN系列) 。

不仅代码开源了（其实代码也没啥东西…），因为他们要力推强化的预训练backbone，他们还开源了不少谷歌的压箱底训练参数和数据。

Q8：论文中的实验及结果有没有很好地支持需要验证的科学假设？
A8：在他们展示的任务中，比较好的验证了他们的假设，即，通过预训练、蒸馏损失、衰减蒸馏系数，可以实现一个teacher policy+少量data，对一个全新的value-based RL网络的知识快速迁移。

Q9：这篇论文到底有什么贡献？
A9：贡献首先是正式的定义了重生强化（划掉，感觉本质上是强化学习预训练范式）。其次，提供了一个可能在离散动作比较好用的policy-to-value的迁移方案。最后，作为提倡者，他们开源了一些谷歌压箱底的训练模型和数据，对计算资源少的实验室和个人来说，无疑是一个利好。

Q10：下一步呢？有什么工作可以继续深入？
A10：下一步可以参考NLP和CV的操作，提出更好更universal的迁移方案，比如对于actor-critic结构的强化算法，如何才能快速的迁移，同时避免offline RL在AC结构中遇到的问题，比如OOD，比如offline2online过程中，性能甚至会下降的问题。

至于其他的内容，今天就到这儿了，感兴趣的同学可以自己去看看原文，或者等周六晚上7点，腾讯会议一起讨论一下。