偏好强化学习概述-阿里云开发者社区

偏好强化学习概述

2023-08-06 709

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 偏好强化学习概述

为什么需要了解偏好强化学习

为什么需要了解偏好强化学习？目前强化学习主流的方法都是基于奖励的，强化学习优化目标是长期的累计奖励。而如何设计一个好的奖励函数通常需要大量专家领域知识。并且需要考虑提出的奖励函数是否会影响学习过程，比如学习速度等等问题。在有些场景也并不是能够很好地去定义出这样一个奖励。

对于实际业务问题，业务本身比较复杂，传统解决方法(比如行为树)如果不好，那也不能基于数据去做一些offline RL。并且如果不好给定奖励函数的话，通常会采用模仿学习的方法。但是也存在一些场景人类专家也不能给出一些确切的行为，因此也不能去做一些模仿学习，比如在机器人领域控制电机的电流进而控制机械臂，人类专家无法直接给出电流的参考示例。直接人类给出动作的代价相比于给出偏好的代价是更高的。还有一些场景动作空间巨大，比如电网调度领域，动作空间高达几万个等等的一些传统解决方案很棘手的场景中，可以考虑去采用偏好强化学习来作为一种初始化网络参数，或者微调修复性能的方法。

随着生产物质的丰富，用户对于个性化追求将愈发强烈。如何将用户的个性化偏好进行量化，进而更好地服务用户(比如用GPT作为智能家居中控，给用户提供个性化的全家智能)。比如在游戏AI领域，如何基于用户反馈，设计出拟人性的智能体，或者是符合玩家兴趣爱好的智能体，或者依据玩家偏好变化而变化的NPC都是未来的发展趋势。

什么是偏好强化学习

想要去解决一个问题，首先需要去寻找的就是优化目标。在强化学习里面的优化目标就是奖励函数，因此想要待解决的问题用强化学习方法来求解，就需要将优化目标与奖励函数挂钩。而基于专家经验设计的奖励函数通常会面临四个问题：1. Reward Hacking: 只管最大化奖励分数，不考虑实际情况。2. Reward Shaping: 平衡goal definition和guidance task。3. Infinite Rewards: 存在一些case，是坚决不允许发生的。虽然现在有mask可以去做，但是也有一些问题其实是没有办法用mask去做的，只有做了之后才能验证是否违反了硬约束条件。4. Multi-objective Trade-off: 如果需要考虑多个优化目标

当然也有一些方法在设计一些内在的奖励，来处理这样一个问题。然而设计一个好的内在奖励其实也是很困难的。

偏好强化学习(Preference-Based Reinforcement Learning, PbRL)直接基于专家的反馈进行学习，并不需要设计奖励函数，并且对于人类对于专业领域的需求也比较少，因为给一个确切的数值奖励给智能体，而是一个比较值。PbRL的关键在于说把强化学习里面，对于奖励，从一个数值的反馈信号变成了一个偏好的反馈信号。想要构建偏好强化学习的优化过程，我们还需要去定义一些符号，和我们能够拿到的数据集合：

基于偏好的马尔科夫决策过程（Markov decision processes with preferences，MDPP）

注意：这里并没有假设一个奖励的数值信号r ( s , a )

如何基于人类反馈的偏好来优化策略呢？

基于人类反馈的优化框架如下图所示：

基于轨迹(trajectory)的最大化偏好问题可以描述为：

到此，我们就可以定义出一个最小化偏好损失函数：

在有多个偏好相互比较的关系下，损失函数可以表示为：

表示为权重加和的方式则为：

反馈类型分类

动作偏好(action preference): 对于给定的相同状态，比较两个动作。这种方法无法处理短期偏好与长期偏好的关系。
状态偏好(state preference): s i 1 ≻ s i 2 表示相比于状态s i 2，人类更偏好状态s i 1 。
轨迹偏好(trajectory preference): τ i 1 ≻ τ i 2 表示轨迹τ i 1 优于轨迹τ i 2 。轨迹偏好里一个重要问题就是信用分配问题(temporal credit assignment problem)。

学习算法分类

近似策略分布(Approximating the Policy Distribution)

对于给定的trajectoryζ \zetaζ，基于参数化的策略分布Pr ⁡ ( π ∣ ζ ) 产生不同的策略π1,π2，再基于产生的不同的策略来产生不同的trajectorτ 1 , τ 2 再给定人类评判偏好，存储偏好轨迹。最后产生能够最大化轨迹偏好的策略argmaxπPr(π∣ζ)。

比较和排序策略(Comparing and Ranking Policies)

给定策略集合，在策略集合中直接进行偏好排序，选取获取偏好排序最大的策略作为最终策略进行输出：

学习偏好模型(Learning a Preference Model)

直接学一个偏好模型：C ( a ≻ a ′ ∣ s ) ，策略为贪婪策略。类似DQN，在这里是直接计算偏好函数，然后基于偏好函数来直接求解策略。

学习奖励函数(Learning a Utility Function)

基于偏好计算一个奖励函数U ( τ ) ，在许多场景中可以拆分为 U ( s , a ) 。策略求解即为最大化奖励的过程。这也是目前主流的求解方案：

总结这四类方法就是：1. 构建一个产生策略的函数θ ，一最大化偏好轨迹来优化θ 。2. 给定一个策略集合，基于偏好，直接在策略集合中选取能够产生人类偏好最大的策略。3. 学习一个偏好模型C ( a ≻ a ′ ∣ s ) , 基于这个偏好模型直接贪婪产生策略。4. 学习奖励函数，策略基于奖励函数进行优化。

近期工作

Deep Reinforcement Learning from Human Preference（2023）

Deep Reinforcement Learning from Human Preference

这篇文章主要贡献是用于比较困难的游戏场景中：

奖励预测器损失函数可以表示为：

人类偏好的不稳定性，会导致奖励预测器的偏差和方差都受到一定的影响。

实验结果：

Preference Transformer: Modeling Human Preferences using Transformers for RL（2023）

Preference Transformer: Modeling Human Preferences using Transformers for RL

这篇文章主要用于解决非马尔科夫性

整体框架图：

Preference Transformer局部：

注意奖励在Linear层就已经进行了预测，后续输出是对trajectory奖励的加权。

在实验部分，作者设计了一系列的评估指标，用于确定Preference Transformer确实是学到了中间的关键步骤奖励，也就是确实进行了置信分配。