近年来，AutoML在自动化机器学习的设计方面已经取得了巨大的成功，例如设计神经网络体系结构和模型更新规则。

 

神经架构搜索（NAS）是其中一个重要的研究方向，可以用来搜索更好的神经网络架构以用于图像分类等任务，并且可以帮助设计人员在硬件设计上找到速度更快、能耗更低的架构方案。

 

除NAS之外，谷歌之前的研究AutoML-Zero甚至还可以从零开始使用基本数学运算设计一个完整的算法。

 

但这些方法是为监督学习而设计的，总体算法更加简单明了，拿到标签，然后训练。

 

但对于强化学习来说，目标可能没有那么明确，例如采样策略的设计、整体的损失函数等，模型的更新过程并不是很明确，组件搜索的空间也更大。

 

自动化清华学习算法之前的工作主要集中在模型更新规则上。这些方法学习更好的优化器、更新本身的策略，通常用神经网络（RNN或CNN）表示更新规则，使用基于梯度的方法进行优化。

 

但是，这些学习的规则无法解释，也不具有泛化性，因为模型权重的获得过程是不透明的，并且数据也是来源于特定领域的。

 

强化学习算法和计算图

NAS在神经网络体系结构的图的空间中进行搜索，受NAS的想法启发，本文通过将RL算法的损失函数表示为计算图来元学习强化学习算法。

 

在这种情况下，将有向无环图用于损失函数，节点代表输入、运算符、参数和输出，将增强AutoML的可解释性。

 

例如，在DQN的计算图中，输入节点包括来自缓冲区的数据，运算符节点包括神经网络运算符和基本数学运算符，而输出节点表示损失，通过梯度下降法来优化模型。

 

这种表示有一些好处，既能表示现有的算法，也可以定义新的未被发现的算法，并且也是可解释的。

 

如果研究人员可以理解为什么学习的算法更好，那么他们既可以修改算法的内部组成部分来改进它，又可以将有益的组成部分转移到其他问题上。

这种表示形式很容易通过PyGlove库实现，它可以将图形方便地转换为正则化优化的搜索空间。

会进化的RL算法

 

本文提出的强化学习算法是基于进化的方式。

 

首先，我们用随机图初始化一群训练的agent，在一组训练环境中并行训练。agent首先在类似CartPole这样的简单环境上进行训练，目的是快速清除性能不佳的程序。如果agent无法解决简单环境，就会以0分的分数提前停止，否则训练将会进入更难的环境，例如Lunar Lander等，评估算法的性能并将其用于更新整体的权重，在这些训练器中，更有前途的算法会进一步发生变异。

 

为了减少搜索空间，论文中使用功能等效检查器，如果它们在功能上与先前检查过的算法相同，则会跳过实验直到提出新的算法。

 

随着新的变异候选算法的训练和评估，该循环继续进行。在训练结束时，我们选择最佳算法并在一系列看不见的测试环境中评估其性能。

 

实验中的数据规模大概是300个训练器，我们观察到205000个突变后良好的候选进化，需要大约三天的训练时间。我们之所以能够在CPU上进行培训，是因为训练环境非常简单，可以控制训练的计算和能源成本。为了进一步控制训练成本，我们使用人工设计的RL算法（例如DQN）为初始种群播种。

 

我们重点介绍两种发现的算法，它们表现出良好的泛化性能。第一个是DQNReg，它基于DQN，在Q值上额外增加正则平方的Bellman误差。第二个学习的损失函数DQNClipped，Q值的最大值和Bellman误差平方（以常数为模）。两种算法都可以看作是归一化Q值的一种。虽然DQNReg添加了软约束，但DQNClipped可以解释为一种约束优化，如果Q值太大，它将最小化Q值。在训练的早期阶段，高估Q值是一个潜在的问题时，一旦满足此约束条件，损失函数将最小化原始的平方Bellman误差。

 

尽管DQN等基准通常高估了Q值，但我们学到的算法以不同的方式解决了这一问题。DQNReg低估了Q值，而DQNClipped具有与double dqn类似的行为，因为它会缓慢地接近真实值。

 

值得指出的是，当使用DQN进行演化时，这两种算法会不断迭代出现。

 

通常在RL中，泛化是指经过训练的策略，可以跨任务进行泛化。在一组经典控制环境上，学习到的算法可以匹配密集奖励任务（CartPole，Acrobot，LunarLander）上的基线，而在稀疏奖励任务MountainCar上优于DQN 。

在测试各种不同任务的一组稀疏奖励MiniGrid环境中，我们发现DQNReg在样本效率和最终性能方面都大大优于训练和测试环境的基线。实际上，在尺寸、配置和熔岩等新障碍物存在变化的测试环境中，效果甚至更为明显。

这些环境的起始位置，墙面配置和对象配置在每次重置时都是随机的，这需要agent进行概括而不是简单地记住环境，尽管DDQN经常努力学习任何有意义的行为，但DQNReg可以更有效地学习最佳行为。

                   

无论是在非图像的环境上进行训练，还是在基于图像的Atari环境上，这种表示方法都能带来性能上的提升。这表明，这种元学习算法的通用性。

这篇论文讨论了如何将新的强化学习算法的损失函数表示为计算图，并在此表示形式上扩展多个agent训练来学习新的可解释RL算法。

 

计算图使研究人员既可以建立在人为设计的算法上，又可以使用与现有算法相同的数学工具集来学习算法。这些算法的性能超过之前的baseline系统，并且可以用于非视觉类的任务。

 

文章的作者希望这项工作可以促进机器辅助算法的开发，未来计算元学习可以帮助研究人员找到新的研究方向