我是谁啊：ICLR 2022 | 从几何视角来看无监督强化学习

文章主旨

本文主要针对一种无监督（不依赖 reward）的强化学习预训练方法——无监督技巧发现（unsupservised skill discovery）的算法最优性质进行了讨论。作者证明了通过最大化互信息（mutual information）方式的 skill discovery 无法保证对任何下游奖励函数都是最优的。同时在，作者证明了在某种特定的下游任务 adaption 方式下（在后续的章节中详细讲解），通过预训练得到的 policy 能够最大化不同的 reward 下游任务中的最差情况（worst case）下的表现。

论文标题：

The Information Geometry of Unsupervised Reinforcement Learning

论文链接：

https://arxiv.org/pdf/2110.02719.pdf

符号定义

定义某 MDP 下依策略 ，折扣状态占有率（state occupancy）为 ，

其中， 为依策略 进行采样， 时刻处于状态 的概率。据此重新定义强化学习的优化目标：

其中这里使用了仅与 state 有关的奖励函数 。

无监督的技巧学习

此前的无监督技巧学习试图学习策略 ，除了状态 s 以外，策略同时与额外的输入变量 条件相关。其中 z 通过一个分布来进行生成 （这个分布同样是训练得到的）。在此前的一些工作中，通过最大化 与 之间的互信息进行优化：

上式中需要同是对 （对应参数 ）以及 进行优化。作者对问题进行简化，将两者进行整合，定义：，据此定义，上式优化问题可以被表示为：

Theorem 4.1证明（本文的核心定理）

定理如下：

其中，

公式中 代表初始化数据分布（即 pre-train 后得到的分布，初始化是相对于下游任务来说）， 为在下游任务上（对于奖励函数 ）进行 adaption（finetune）得到的 state 分布； 下游任务 上的最优 state 分布。

首先对 AdapationObjective 进行理解：

为 的优化目标，即策略在下游任务上的 adaption 过程，其中第一项以策略在下游任务 为优化目标，第二项为 与初始化策略分布 分布之间的 KL 散度，KL 散度越小，两者之间差异性越小，策略能够越容易的 general 到下游任务（作者称此项为 information cost）。可以看到 与 的唯一差别是： 为 下的最优 state 分布，仅仅以策略最优性作为优化目标，而 的优化过程需要同时考虑策略最优性以及 adaption 过程的 information cost。

Proof：

假定下游任务 以及初始化分布 已经给定，首先针对 进行优化：

将 带入 AdaptionObjective 中，有，

因此，问题的原始优化目标可以被表示为：

对 进行优化，

将 进一步带入，得

根据 Lemma 6,5，在 给定的情况下，有：

将优化变量由 替换为 ，在 给定的情况下（事实上根据作者的定义，，那么 仅仅与环境转移有关）。

至此，Theorem 4.1得证。

Skill Learning的几何解释

5.1 哪些策略（以及策略对应的state分布）是可达的？

作者以状态空间 为例，对问题进行可视化分析。状态的 state-occupancy 需要满足：

也就是所有可能的 state-occupancy 都分布在此超平面上。

Proposition 1.给定一系列可行的 state marginals（state-occupancy 分布，即图中黄色点），那么这些可达的 state marginals 的所有凸组合一定也是可达的，这些可能的所有凸组合构成了整个可行空间（图中橘黄色多面体）。

该可达区域实际上构成了一个凸集。

5.2 哪些策略（以及对应的state分布）是最优的？

同样以状态空间 为例，假定状态分布为 ，并且 。作者将奖励函数 可视化为三位空间中的某个向量 ，那么累计奖赏可以被表示为：

即累计奖赏可以被表示为 reward 函数与状态分布向量的内积。

Fact 1.对于每个仅与状态有关（state-dependent）的奖励函数 ，对于策略可达区域内的所有策略，能够使在 下的累计奖赏 G 最大的策略一定在可达区域多面体的顶点上。

proposition 2 可以由最大值原理（maximum principle）得到，这里不进行过多介绍。

Fact 2.对于状态可达多面体的每一个顶点，存在一个特定的奖励函数 ，使得该顶点对应的策略为 下的最优策略。

Definition 5.1：顶点发现问题（Vertex Discovery Problem）：给定某个受控 MDP 过程（没有 reward 的 MDP 过程），寻找一个最小策略集合，使得状态可达多面体的每个顶点至少有一个策略与之对应。

5.3 基于Mutual information的Skill learning学得的策略是如何在策略可达多面体内分布的？

回顾 Skill learning 的原始优化问题，即最大化互信息 ，

其中， 为 下的平均状态分布，

对于上述优化问题进行优化时，最大化互信息会驱使 skill learning 学得的策略的状态分布 远离平均状态分布 （因为最大化 KL 散度会放大两个不同分布之间的差异性）。因此，当 skill learning 达到最优时，对于距离平均分布 的最远的策略赋予一个比较大的概率，而对于其余策略（与 的距离小于最远距离的策略），则会赋予概率为 0。

作者在 Figure 3（下图）进行了举例分析，其中图中绿色点代表状态的平均分布 ，橙色的点代表算法学得的 skill，图中的虚线圆圈代表了 与策略可达区域的最大边界线（可以理解为策略可达多面体的外切球）。我们以最左边的图进行分析，图中的策略可达多面体有 3 个节点分布最大边界上，也就是 skill learning 共学得了三个不同的 skill，其概率和为 1（0.28 + 0.28 + 0.44=1），因此，作者想表达的意思是，只有分布在最大边界上的策略才能被习得。

作者对此现象在 lemma 6.2 进行了公示化表述：

5.4 Skill learning最多能够习得多少个不同的skill？

为了回答这个问题，作者提出如下假设：

Assumption 1：假定 中任意取出 个节点构成的集合，都不关于 KL 散度共圆。也就是不存在某个 使得集合中所有节点距离 的距离相等。

存在于 维空间中，共有 个自由度（因为和为1的约束）。当不断习得 skill 时，需满足与 的距离为 ，其中 作为变量提供了一个额外的自由度。因此，最多添加 个约束， 便可以完全确定，继续增加额外的 skill 会让该问题变成 ill-defined。因此，最多同时习得 个 skill。

送福利啦！

独家定制炼丹中/Fine-Tuning

超超超超超大鼠标垫

限量 200 份 

扫码回复「鼠标垫」 

立即免费参与领取 

👇👇👇

更多阅读

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·