ICML 2023
paper
CQL + DT
Intro
sequential model在离线强化学习中广泛应用,尤其是基于transformer 架构的方法。本文指出这种方法虽然对轨迹数据强大的特征表达能力,但是缺乏对轨迹的拼接能力。
而传统基于动态规划的RL方法(Q学习)不存在该问题,但是存在价值函数函数逼近误差造成的学习过程不稳定。因此,本文提出将两种类型的算法结合 提出QDT: DT + CQL.利用动态规划结果重新标记训练数据中的回报,然后用重新标记的数据训练DT,在离线数据上性能实现提升。
Method
QDT使用CQL训练Q价值函数。得到的Q将用于状态价值函数估计
V
^
(
s
t
)
=
E
a
∼
π
(
a
∣
s
t
)
[
Q
^
(
s
t
,
a
)
]
\hat{V}(s_t)=\mathbb{E}_{a\sim\pi(a|s_t)}[\hat{Q}(s_t,a)]
V^(st)=Ea∼π(a∣st)[Q^(st,a)]。函数估计价值函数将作为下界值用于矫正轨迹样本的累计回报。伪代码如下
而为了维持住R是累计回报的设定,在完成Algorithm1后,将使用校正后的奖励重新计算累计回报
接下来便是利用DT进行策略学习。
results
能看出来QDT总体的表现更加稳定,算是集两家之所长。