【论文阅读】Discovering Reinforcement Learning Algorithms

【2020.7 arxiv】
Oh, Junhyuk, Matteo Hessel, Wojciech M. Czarnecki, Zhongwen Xu, Hado van Hasselt, Satinder Singh, and David Silver. “Discovering Reinforcement Learning Algorithms.” arXiv preprint arXiv:2007.08794 (2020).

任务：使用meta-learning方法学习通用的强化学习算法

解决自动去学习agent应该预测什么（价值函数）以及怎么使用预测结果来得到策略的问题，提出了Learned Policy Gradient（LPG）框架，不显式地约束agent预测输出的语义，而是使用meta-learner来决定应该预测什么

模型框架

目标：根据环境分布p(ε)和agent参数p(θ)，学习最优的更新策略η（meta-learner）

G为累积奖励

LPG框架

agent输出策略π和预测向量$y\in [0,1{]}^m$
LPG为一个反向LSTM结果，输出如何更新策略$\hat{\pi }$和预测向量$\hat{y}$，输入为

其中$r_t$为激励值，$d_t$表示当前步是否为episode的结束

Agent的更新$\theta$

$\hat{\pi }$决定agent的动作概率应该如何调整，$\hat{y}$决定agent应该对给定状态预测的目标值

LPG的更新$\eta$

增加一些正则项后变为

$H(y)$和$H(\pi )$惩罚过于确定的预测和动作概率

平衡不同agent（不同游戏任务）中的超参$\alpha$

使用$p(\alpha |ϵ)$进行超参采样，而不使用确定的超参

R为奖励，N为累积次数

meta-train

meta-test

选择在验证集（breakout和boxing游戏）中效果最好的更新策略η，在其他59款atari游戏进行测试

f为一个与动作无关的baseline函数

实验

使用3种toy游戏进行训练
Tabular grid world在网格中固定位置给定激励
Random grid world 每个episode在网格的随机位置给定激励
Delayed chain MDPs 根据第一个动作决定激励，但是会延时一段时候后给出

在atari游戏中进行meta test

与A2C相比，不同游戏各有千秋

与目前最好的方法进行比较

预测向量y预测了什么

可以看到y的内容与policy有关，说明确实学习到了有意义的语义