Offline RL : Beyond Reward: Offline Preference-guided Policy Optimization

本文主要是介绍Offline RL : Beyond Reward: Offline Preference-guided Policy Optimization，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

ICML 2023
paper
code
preference based offline RL，基于HIM，不依靠额外学习奖励函数

Intro

本研究聚焦于离线偏好引导的强化学习（Offline Preference-based Reinforcement Learning, PbRL），这是传统强化学习（RL）的一个变体，它不需要在线交互或指定奖励函数。在这个框架下，代理（agent）被提供了固定的离线轨迹数据和人类对轨迹对的偏好，用以提取动态信息和任务信息。

由于动态信息和任务信息是正交的，简单的方法可能涉及先基于偏好学习奖励函数，然后使用现成的离线RL算法。然而，这需要单独学习一个标量奖励函数，然而该过程被认为存在信息瓶颈。

为了解决这个问题，作者提出了一种新的范式——离线偏好引导策略优化（Offline Preference-guided Policy Optimization, OPPO），它通过对离线轨迹和偏好直接建模，消除了单独学习奖励函数的需要。OPPO通过引入一个离线后见信息匹配目标（HIM）来优化上下文策略，以及一个偏好建模目标来找到最优上下文。OPPO进一步通过迭代优化这两个目标来整合一个表现良好的决策策略。实证结果表明，OPPO有效地模拟了离线偏好，并且在包括真实或伪奖励函数指定的离线RL算法在内的先前竞争基线上取得了更好的性能。

Method

HIM-driven Policy Optimization

$$\underset{\pi ,I_{\theta }}{\min }{\mathcal{L}}_{\mathbf{HIM}}:=\underset{\tau \sim \mathcal{D}(\tau )}{E}\left[\ell \left(I_{\theta }(\tau ),I_{\theta }({\tau }_{\mathbf{z}})\right)+\ell \left(\tau ,{\tau }_{\mathbf{z}}\right)\right]$$
其中$l$为损失函数。

Preference Modeling

$$\underset{{\mathbf{z}}^{\ast },I_{\theta }}{\min }{\mathcal{L}}_{\mathbf{PM}}:=\mathbb{E}[\max (\ell ({\mathbf{z}}^{\ast },{\mathbf{z}}^{+})-\ell ({\mathbf{z}}^{\ast },{\mathbf{z}}^{-})+m,0)]$$
通过优化上式得到最佳embedding，使得条件策略产生的轨迹经过embedding后接近$z^{+}$

Training Objectives & Implementation Detai

$${\mathcal{L}}_{\mathrm{total}}:={\mathcal{L}}_{\mathrm{HIM}}+\alpha {\mathcal{L}}_{\mathrm{PM}}+\beta {\mathcal{L}}_{\mathrm{norm}}$$

采用BERT结构作为encoder ：$I_{\theta }:\tau \to \mathbf{z}$；采用GPT作为上下文条件策略$\pi (a|s,z)$, 通过自回归建模预测未来的动作

伪代码

results

这篇关于Offline RL : Beyond Reward: Offline Preference-guided Policy Optimization的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---