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:2003.04108

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2003.04108 (cs)
[提交于 2020年3月9日 (v1) ,最后修订 2020年6月19日 (此版本, v2)]

标题: 通过离策略发散正则化实现稳定的策略优化

标题: Stable Policy Optimization via Off-Policy Divergence Regularization

Authors:Ahmed Touati, Amy Zhang, Joelle Pineau, Pascal Vincent
摘要: 信任区域策略优化(TRPO)和近端策略优化(PPO)是深度强化学习(RL)中最为成功的策略梯度方法之一。虽然这些方法在广泛的任务中实现了最先进的性能,但在策略学习的稳定性以及如何使用离策略数据方面仍有改进空间。在本文中,我们重新审视这些算法的理论基础,并提出一种新算法,该算法通过一个邻近项稳定策略改进,该邻近项约束由连续策略产生的折扣状态-动作访问分布彼此接近。这个邻近项以访问分布之间的差异来表示,并以离策略和对抗的方式进行学习。我们通过实验表明,所提出的方法可以在基准高维控制任务中对稳定性产生有益影响并提高最终性能。
摘要: Trust Region Policy Optimization (TRPO) and Proximal Policy Optimization (PPO) are among the most successful policy gradient approaches in deep reinforcement learning (RL). While these methods achieve state-of-the-art performance across a wide range of challenging tasks, there is room for improvement in the stabilization of the policy learning and how the off-policy data are used. In this paper we revisit the theoretical foundations of these algorithms and propose a new algorithm which stabilizes the policy improvement through a proximity term that constrains the discounted state-action visitation distribution induced by consecutive policies to be close to one another. This proximity term, expressed in terms of the divergence between the visitation distributions, is learned in an off-policy and adversarial manner. We empirically show that our proposed method can have a beneficial effect on stability and improve final performance in benchmark high-dimensional control tasks.
主题: 机器学习 (cs.LG) ; 机器学习 (stat.ML)
引用方式: arXiv:2003.04108 [cs.LG]
  (或者 arXiv:2003.04108v2 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2003.04108
通过 DataCite 发表的 arXiv DOI
期刊参考: Proceedings of the 36th Conference on Uncertainty in Artificial Intelligence (UAI), PMLR volume 124, 2020

提交历史

来自: Ahmed Touati [查看电子邮件]
[v1] 星期一, 2020 年 3 月 9 日 13:05:47 UTC (1,691 KB)
[v2] 星期五, 2020 年 6 月 19 日 17:04:22 UTC (3,770 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 | 2020-03
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