强化学习十大原则

原则#1：评估（Evaluation）推动进步

客观，量化的评估推动了进步：

●评估指标的选择决定了进度的方向

●可以说是项目过程中最重要的单一决策

排行榜驱动的（Leaderboard-driven）研究：

●确保评估指标对应最终目标

●避免主观评估（例如人工检查）

假设驱动的（Hypothesis-driven）研究：

●提出一个假设：

○“Double-Q学习优于Q-learning，因为它减少了向上偏差（upward bias）”

●在广泛的条件下验证假设

●比较相似的现有stat-of-the-art技术

●寻求理解而不是排行榜绩效

---

原则#2：可伸缩性（Scalability）决定成功

●算法的可伸缩性是其相对于资源的性能梯度

○给定更多资源，性能如何提高？

●资源可以是计算（computation），内存（memory）或数据（data）

●算法的可扩展性最终决定了它的成功与否

○图像

●可伸缩性始终（最终）比起点更重要

●给定无限资源，（最终）优化算法是最佳的

原则#3：通用性（Generality）未来证明算法

●不同的RL环境中，算法的通用性表现不同

●避免过度拟合当前任务

●寻求推广到未知未来环境的算法

●我们无法预测未来，但是：

○未来的任务可能至少与当前任务一样复杂

○当前任务遇到的困难很可能会增加

●结论：针对RL环境进行测试

原则 #4：信任Agent的经验

●经验（观察observations，行动actions，奖励rewards）是RL的数据

●相信经验是唯一的知识来源

○总是有诱惑力来利用我们的人文专长（人类数据，功能，启发式，约束，抽象，域操作）

●从经验中学习似乎是不可能的

○接受RL的核心问题很难

○这是人工智能的核心问题

○值得努力

●从长远来看，从经验中学习总能赢得胜利

原则＃5：状态（State）是主观的

●Agents应根据自己的经验构建自己的状态

●Agent状态是先前状态和新观察的函数

●它是循环神经网络的隐藏状态

●从未根据环境的“真实”状态定义

原则＃6：控制流(Control theStream)

●Agents生活在丰富的感觉运动数据流中

○Observations流入Agent

○Actions流出Agent

●Agent的操作会影响流

●控制功能=>控制流

●控制流=>控制未来

●控制未来=>可以最大化任何奖励

原则＃7：值函数（Value Functions）建模世界

为什么要使用值函数？

●价值功能有效地总结/缓存未来

●将计划减少到恒定时间查找，而不是指数前瞻

●可以独立于其跨度进行计算和学习

学习多种值函数：

●有效地模拟世界的许多方面（控制流）

○包括后续状态变量

●多个时间尺度

避免在原始时间步骤对世界进行建模。

原则＃8：规划（Planning）：从想象的经验中学习

一种有效的规划方法：

●想象一下接下来会发生什么

○模型中状态的样本轨迹

●从想象的经验中学习

○使用我们应用于实际实验的相同RL算法

现在，关注值函数近似值。

原则＃9：授权函数近似器（FunctionApproximator）

●差异化的网络架构是强大的工具，可以促进：

○丰富的状态表示

○不同的记忆

○不同的计划

○分层控制

○...

●将算法复杂性推入网络架构

○降低算法的复杂性（如何更新参数）

○提高架构的表现力（参数的作用）

原则＃10：学会学习（Learn toLearn）

人工智能的历史显示了明确的进展方向：

●第一代：良好的老式人工智能

○手工预测

○什么都不学

●第二代：浅学习

○手工功能

○学习预测

●第3代：深度学习

○手工算法（优化器，目标，架构......）

○端到端地学习功能和预测

●第4代：元学习

○无手工

○端到端学习算法和功能以及预测

原文发布时间为：2018-09-17

本文作者：Xiaowen

本文来自云栖社区合作伙伴“专知”，了解相关信息可以关注“专知”。