Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:1912.05109

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:1912.05109 (cs)
[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

Authors:Riashat Islam, Raihan Seraj, Samin Yeasar Arnob, Doina Precup
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。
摘要: We study the problem of off-policy critic evaluation in several variants of value-based off-policy actor-critic algorithms. Off-policy actor-critic algorithms require an off-policy critic evaluation step, to estimate the value of the new policy after every policy gradient update. Despite enormous success of off-policy policy gradients on control tasks, existing general methods suffer from high variance and instability, partly because the policy improvement depends on gradient of the estimated value function. In this work, we present a new way of off-policy policy evaluation in actor-critic, based on the doubly robust estimators. We extend the doubly robust estimator from off-policy policy evaluation (OPE) to actor-critic algorithms that consist of a reward estimator performance model. We find that doubly robust estimation of the critic can significantly improve performance in continuous control tasks. Furthermore, in cases where the reward function is stochastic that can lead to high variance, doubly robust critic estimation can improve performance under corrupted, stochastic reward signals, indicating its usefulness for robust and safe reinforcement learning.
评论: 投稿;出现在2019年NeurIPS安全和决策鲁棒性研讨会
主题: 机器学习 (cs.LG) ; 机器学习 (stat.ML)
引用方式: arXiv:1912.05109 [cs.LG]
  (或者 arXiv:1912.05109v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.1912.05109
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Riashat Islam [查看电子邮件]
[v1] 星期三, 2019 年 12 月 11 日 04:21:47 UTC (350 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2019-12
切换浏览方式为:
cs
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号