We introduce the forward-backward (FB) representation of the dynamics of a reward-free Markov decision process. It provides explicit near-optimal policies for any reward specified a posteriori. During an unsupervised phase, we use reward-free interactions with the environment to learn two representations via off-the-shelf deep learning methods and temporal difference (TD) learning. In the test phase, a reward representation is estimated either from observations or an explicit reward description (e.g., a target state). The optimal policy for that reward is directly obtained from these representations, with no planning. We assume access to an exploration scheme or replay buffer for the first phase. The unsupervised FB loss is well-principled: if training is perfect, the policies obtained are provably optimal for any reward function. With imperfect training, the sub-optimality is proportional to the unsupervised approximation error. The FB representation learns long-range relationships between states and actions, via a predictive occupancy map, without having to synthesize states as in model-based approaches. This is a step towards learning controllable agents in arbitrary black-box stochastic environments. This approach compares well to goal-oriented RL algorithms on discrete and continuous mazes, pixel-based MsPacman, and the FetchReach virtual robot arm. We also illustrate how the agent can immediately adapt to new tasks beyond goal-oriented RL.


翻译:我们引入了无报酬的Markov 决策过程的向后代表( FB) 。 它为任何附带的奖励提供了明确的近乎最佳的政策 。 在不受监督的阶段, 我们使用无报酬的与环境互动来通过现成的深层学习方法和时间差异学习两个代表。 在测试阶段, 奖励代表是通过观察或明确的奖赏描述来估计的( 例如, 目标状态 ) 。 该奖赏的最佳政策是直接从这些代表中直接获得的, 没有规划 。 我们假设可以访问勘探计划或重新播放第一阶段的缓冲。 不受监督的 FB 损失是很好的原则 : 如果培训是完美的, 所获得的政策对于任何奖赏功能是优于现成的。 如果培训不完善, 亚优则与不完美的近似近似错误相称。 FB 代表可以通过预测占用地图来了解各州和行动之间的长期关系, 而不必像基于模型的方法那样将各州整合在一起。 这是向在任意的、 直立的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 和方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 和方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、

0
下载
关闭预览

相关内容

【伯克利-Ke Li】学习优化,74页ppt,Learning to Optimize
专知会员服务
40+阅读 · 2020年7月23日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
13+阅读 · 2020年4月12日
Arxiv
5+阅读 · 2020年3月26日
Continual Unsupervised Representation Learning
Arxiv
7+阅读 · 2019年10月31日
Arxiv
7+阅读 · 2018年12月26日
Arxiv
5+阅读 · 2018年4月22日
Arxiv
5+阅读 · 2017年12月14日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员