Intro
提出了一种新的离线强化学习(offline RL)方法,称为Reinformer。Reinformer通过将最大化回报的目标整合到现有的序列模型中,解决了传统监督式序列模型在离线RL中忽视最大化回报核心目标的问题。Reinformer在训练阶段增加了最大化回报的目标,旨在预测在给定分布中的最大未来回报。在推理阶段,这种在分布内的最大回报将指导选择最优动作。实验结果表明,Reinformer在D4RL基准测试中与经典RL方法具有竞争力,并且在轨迹拼接能力上超越了现有的最先进的序列模型。
Method
利用transformer构建序列模型,实现不仅最大化动作
a
t
a_t
at概率,还使用期望回归(expectile regression)来使预测回报
g
t
g_t
gt,尽可能接近当前历史轨迹下可实现的最大回报。
对动作预测的损失函数为
L
a
=
E
t
,
n
[
−
log
π
θ
(
a
t
(
n
)
∣
S
t
−
K
(
n
)
,
G
t
−
K
(
n
)
)
−
λ
H
(
π
θ
(
⋅
∣
S
t
−
K
(
n
)
,
G
t
−
K
(
n
)
)
)
]
\mathcal{L}_{\mathrm{a}}=\mathbb{E}_{t,n}\left[-\log\pi_{\theta}\left(a_{t}^{(n)}|\mathbf{S}_{t-K}^{(n)},\mathbf{G}_{t-K}^{(n)}\right)\\-\lambda H\left(\pi_{\theta}\left(\cdot|\mathbf{S}_{t-K}^{(n)},\mathbf{G}_{t-K}^{(n)}\right)\right)\right]
La=Et,n[−logπθ(at(n)∣St−K(n),Gt−K(n))−λH(πθ(⋅∣St−K(n),Gt−K(n)))]
对回报预测的损失函数为(该技术在IQL中也有应用)
L
g
m
=
E
t
,
n
[
∣
m
−
1
(
Δ
g
<
0
)
∣
Δ
g
2
]
,
w
i
t
h
Δ
g
=
g
t
(
n
)
−
π
θ
(
S
t
−
K
(
n
)
)
\begin{aligned}\mathcal{L}_{\mathrm{g}}^{m}&=\mathbb{E}_{t,n}\left[\left|m-\mathbb{1}\left(\Delta g<0\right)\right|\Delta g^{2}\right],\\&\mathrm{with}\Delta g=g_{t}^{(n)}-\pi_{\theta}\left(\mathbf{S}_{t-K}^{(n)}\right)\end{aligned}
Lgm=Et,n[∣m−1(Δg<0)∣Δg2],withΔg=gt(n)−πθ(St−K(n))
其中
S
t
−
K
(
n
)
=
[
⟨
s
,
g
,
a
⟩
t
−
K
(
n
)
;
s
t
(
n
)
]
\mathbf{S}_{t-K}^{(n)}=[\langle s,g,a\rangle_{t-K}^{(n)};s_{t}^{(n)}]
St−K(n)=[⟨s,g,a⟩t−K(n);st(n)],而
(
S
t
−
K
(
n
)
,
G
t
−
K
(
n
)
)
=
[
⟨
s
,
g
,
a
⟩
t
−
K
(
n
)
;
s
t
(
n
)
,
g
t
(
n
)
]
\left(\mathbf{S}_{t-K}^{(n)},\mathbf{G}_{t-K}^{(n)}\right)=\left[\langle s,g,a\rangle_{t-K}^{(n)};s_{t}^{(n)},g_{t}^{(n)}\right]
(St−K(n),Gt−K(n))=[⟨s,g,a⟩t−K(n);st(n),gt(n)],
g
t
(
n
)
≐
∑
t
′
=
t
T
r
(
s
t
′
(
n
)
,
a
t
′
(
n
)
)
g_{t}^{(n)}\doteq\sum_{t^{\prime}=t}^{T}r\left(s_{t^{\prime}}^{(n)},a_{t^{\prime}}^{(n)}\right)
gt(n)≐∑t′=tTr(st′(n),at′(n))