计算机科学 > 机器学习
[提交于 2019年12月11日
]
标题: 离线策略 actor-critic 算法的双重稳健性研究
标题: Doubly Robust Off-Policy Actor-Critic Algorithms for Reinforcement Learning
摘要: 我们研究了几个变体下的基于值的异策略演员-评论家算法中的异策略评论家评估问题。异策略演员-评论家算法需要一个异策略评论家评估步骤,以估计每次策略梯度更新后新策略的价值。尽管异策略策略梯度在控制任务上取得了巨大成功,但现有的通用方法存在高方差和不稳定的问题,部分原因是策略改进依赖于估计值函数的梯度。在这项工作中,我们提出了演员-评论家中一种新的异策略策略评估方法,基于双重鲁棒估计器。我们将双重鲁棒估计器从异策略策略评估(OPE)扩展到由奖励估计性能模型组成的演员-评论家算法。我们发现,评论家的双重鲁棒估计可以显著提高连续控制任务中的性能。此外,在奖励函数是随机的且可能导致高方差的情况下,双重鲁棒评论家估计可以在被污染的、随机的奖励信号下改善性能,表明它对于鲁棒和安全的强化学习具有实用性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.