智造观点
在谷歌最新的论文中，研究人员提出了“非政策强化学习”算法OPC，它是强化学习的一种变体，它能够评估哪种机器学习模型将产生最好的结果。数据显示，OPC比基线机器学习算法有着显著的提高，更加稳健可靠。
在谷歌AI研究团队一篇新发表的论文《通过非政策分类进行非政策评估》（Off-PolicyEvaluation via Off-Policy Classification）和博客文章中，他们提出了所称的“非政策分类”，即OPC（off-policy classification）。它能够评估AI的表现，通过将评估视为一个分类问题来驱动代理性能。
研究人员认为他们的方法是强化学习的一种变体，它利用奖励来推动软件政策实现与图像输入协同工作这个目标，并扩展到包括基于视觉的机器人抓取在内的任务。
“完全脱离政策强化学习是一种变体。代理完全从旧数据中学习，对于工程师来说这是很有吸引力的，因为它可以在不需要物理机器人的情况下进行模型迭代。”
Robotics at Google（专注机器学的的谷歌新团队）的软件工程师Alexa Irpan写道，“完全脱离政策的RL，可以在先前代理收集的同一固定数据集上训练多个模型，然后选择出最佳的那个模型。”
但是OPC并不像听起来那么容易，正如Irpan在论文中所描述的，非政策性强化学习可以通过机器人进行人工智能模型培训，但不能进行评估。并且在需要评估大量模型的方法中，地面实况评估通常效率太低。
OPC在假设任务状态变化方面几乎没有随机性，同时假设代理在实验结束时用“成功或失败”来解决这个问题。两个假设中第二个假设的二元性质，允许为每个操作分配两个分类标签（“有效”表示成功或“灾难性”表示失败）。
另外，OPC还依赖Q函数（通过Q学习算法学习）来估计行为的未来总回报。代理商选择具有最大预期回报的行动，其绩效通过所选行动的有效频率来衡量（这取决于Q函数如何正确地将行动分类为有效与灾难性），并以分类准确性作为非政策评估分数。
（左图为基线，右图为建议的方法之一，SoftOpC）
谷歌AI团队使用完全非策略强化学习对机器学习策略进行了模拟培训，然后使用从以前的实际数据中列出的非策略分数对其进行评估。
在机器人抓取任务时，他们报告OPC的一种变体SoftOPC在预测最终成功率方面表现最佳。假设有15种模型（其中7种纯粹在模拟中训练）具有不同的稳健性，SoftOPC产生的分数与与真正的抓取成功密切相关，并且相比于基线方法更加稳定可靠。
在未来的研究中，研究人员打算用“噪声”（noisier）和非二进制动力学来探索机器学习任务。“我们认为这个结果有希望应用于许多现实世界的RL问题，”Irpan在论文结尾写道。
来源：微信公众号 人工智能观察
