8-探索與開發（Exploration and Exploitation）

1.導論

探索與開發二難問題

基于決策的決策過程存在以下兩種選擇

開發：基于目前的學習做最優的決策
探索：獲取更多的學習

最佳的長期策略或許會包含一些短期的犧牲
獲取足夠的信息更能得到最為全面的決策

探索的方案（Approach to Exploration）

隨機探索（Randon exploration）

通過隨機動作進行探索（如(epsilon-Greedy, softmax)）

基于不確定性的最優解

先估計各種價值的不確定性
然后優先選擇最高不確定性的狀態與動作

信息狀態空間

將智能體agent的信息也作為狀態部分之一
前向觀察看看得到的信息對回報有沒有幫助

狀態-動作探索與參數探索

狀態-動作探索（Sate-action exploration）

系統性地對狀態/動作空間進行探索
例如在每次到達(S)選擇不同的動作(A)

參數探索（Parameter exploration）

存在參數策略(pi(A|S,mathbf u))
例如，每次都選擇不同的參數然后測試一下
好處在于：可持續性的探索行為
劣勢在于：不能獲知狀態/動作空間（即事實上并非因為信息增益而走出了這一步）

因此我們重點在于狀態-動作探索

2.多臂老（和諧）虎（和諧）機問題(Multi bandit）

對于一個多臂老（和諧）虎（和諧）機模型是一個元組(langle mathcal{A,R}angle)
(mathcal{A})是一個已知的動作序列（”搖臂“）
(mathcal{R^a}(r)=mathbb{P}[R=r|A=a])則是一個未知的回報概率分布
對于每一步(t)，智能體agent會選擇一個動作(A_tinmathcal{A})
然后環境在生成一個回報(R_tsimmathcal{R^{A_t}})
目標在于最大化累計回報(sum^t_{r=1}R_r)

**可以看作一個單步MDP模型

分析

對于一個動作-價值是對于動作(a)的一個均值回報

[q(a)=mathbb{E}[R|A=a]
]

對于最優價值(v_*)則是

[v_*=q(a^*)=max_{ainmathcal{A}}q(a)
]

對于悔數（Regret）則是對于每一步的機會損失（opportunity loss）

[l_t=mathbb{E}[v_*-q(A_t)]
]

總的悔數則是總的機會損失

[L_t = mathbb{E}igg[sum^t_{ au=1}v_*-q(A_ au)igg]
]

最大化累計回報(equiv)最小化總悔數

計算悔數（Counting Regret）

對于計數(N_t(a))是對于選擇動作(a)的期望

對于間隔（gap）(Delta_a)是動作(a)與最優動作(a^*)的價值之差，(Delta_a = v_*-q(a))

悔數則是與間隔與計數相關的函數

[egin{align}
L_t & = mathbb{E}igg[sum^t_{ au=1}v_*-q(A_{ au})igg] \
& = sum_{ainmathcal{A}}mathbb{E}[N_t(a)](v_*-q(a)) \
& = sum_{ainmathcal{A}}mathbb{E}[N_t(a)]Delta_a
end{align}
]

對于一個性質良好的算法可以確保小計數量就可以得到大的間隔

問題在于間隔乃是未知的！

貪心算法（Greedy Algorithm）

我們認定算法中存在近似關系(Q_t(a)approx q(a))

然后通過蒙特卡羅評估去估計每一次動作的價值

[Q_t(a) = frac{1}{N_t(a)}sum^T_{t=1}mathbf1(A_t=a)R_t
]

貪心算法選擇最高價值的動作

[A_t=mathop{argmax}_{ainmathcal{A}}Q_t(a)
]

為此貪心算法（因為其完全不探索）使得其局限于局部最優解動作中

為此貪心算法的總悔數函數是呈線性的

最優初始化的貪心算法（Greedy Algorithm with optimistic initialisation）

將價值初始化為最大值即(Q(a)=f_max)

然后運行貪心算法的行為：

[A_t=mathop{argmax}_{ainmathcal{A}}Q_t(a)
]

鼓勵去探索未知的價值

同樣也存在一些情況會使得其無法找到最優解動作

同樣最優初始化貪心算法也是線性悔數

主要思想：未知價值的動作高階于已知價值的動作

(epsilon-Greedy)算法

對于(epsilon-Greedy)一直保持探索狀態

對于(1-epsilon)的概率選擇

[A_t=mathop{argmax}_{ainmathcal{A}}Q_t(a)
]

對于(epsilon)的概率會選擇一個隨機動作

但是(epsilon-Greedy)同樣會是線性的總悔數

跟Softmax探索差不多

衰變(epsilon-Greedy)算法（Decaying (epsilon-Greedy) Algorithm）

我們為(epsilon_1,epsilon_2)去加入一個衰變的新方式

如下所示;

[egin{align}
c & > 0 \
d & = min_{a|Delta_a>0}Delta_a \
epsilon_t & = minigg{1,frac{c|mathcal{A}|}{d^2t}igg}
end{align}
]

衰變(epsilon-greedy)算法對數漸近的總悔數

不過不幸的是，這種衰變形式需要提前知道間隔

目標：找到一個在多臂老（和諧）虎（和諧）機上具有近似于線性總悔數的算法（一開始對于(mathcal{R})是一無所知的）

算法的表現主要取決于最優搖臂以及其他搖臂的差距

最復雜的問題就是相似的搖臂但是有多個均值

主要是用間隔(Delta_a)以及分布的相似度（KL散度）：(KL(mathcal{R^a|R^(a^*)}))

黎·拉賓氏定理（Lai and Robbins）**黎氏：黎子良（Tze Leung Lai）香港美籍科學家

對于漸近總悔數其下界至少是與步數呈對數增長

[lim_{tightarrowinfin} L_t ge log t sum_{a|Delta > 0}frac{Delta_a}{KL(mathcal{R^a|R^{a^*}})}
]

上確信界（Upper Confidence Bounds）

為每個動作價值估算一個上確信界(U_t(a))

例如說(q(a)le Q_t(a) + U_(a))就具有較高的概率

這主要取決于計數(N(a))的取值

如果是小的(N_t(a))情況下(ightarrow)具有較大的(U_t(a))（這么說估計價值是不確定的）
如果是大的(N_t(a))情況下(ightarrow)具有較小的(U_t(a))（這么說估計價值是精確的）

為此我們選擇上確信界（UCB）最大的動作

[A_t = mathop{argmax}_{ainmathcal{A}}Q_t(a) + U_t(a)
]

霍夫丁不等式（Hoeffding;s Inequality）

使(X_1,dots,X_t)是符合(i.i.d.)條件的處于區間([0,1])隨機變量，并且使得(overline X_t = frac{1}{ au}sum^t_{ au=1}X_ au)作為采樣均值。然后：

[mathbb{P}[mathbb{E}[X]>overline X_t + u]le e^{-2tu^2}
]

我們將會把霍夫丁不等式應用于老（和諧）虎（和諧）機問題的回報

由選擇動作作為條件

[mathbb{P}[q(a)>Q_t(a) + U_t(a)] le e^{-2N_t(a)U_t(a)^2}
]

解決上確信界（Solving Upper Confidence Bounds）

求出真實價值超出(UCB)的概率(p)

開始求解(U_t(a))

[egin{align}
e^{-2N_t(a)U_t(a)^2} & = p \
U_t(a) & = sqrt{frac{-log p}{2N_t(a)}}
end{align}
]

當我們對回報的觀測越多，(p)就會降低，例如說(p = t^{-4})

確保我們在(tightarrow infin)時每次選擇最優動作

[U_t(a) = sqrt{frac{2log t}{N_t(a)}}
]

為此引出了(UCB1)算法（還有很多形式可供嘗試）

[A_t = mathop{argmax}_{ainmathcal{A}}igg(Q_t(a) + sqrt{frac{2log t}{N_t(a)}}igg)
]

為此(UCB)算法成功達到了對數漸近總悔數

[lim_{tightarrowinfin}L_tle 8log tsum_{a|Delta_a > 0}Delta_a
]

更多的上確信界形式

上確信界也可以用其他不等式去表示

伯恩斯坦不等式（bernstein's inequality）
經驗伯恩斯坦不等式（Empirical Bernstein's inequality）
車爾諾夫不等式（Chernoff inequality）
奧茲瑪不等式（Azuma's inequality）
...

貝葉斯老（和諧）虎（和諧）機（Bayesian bandits）

貝葉斯老（和諧）虎（和諧）機顯式地利用了以往關于回報的學習，即(p[mathcal{R^a}])

我們定義一個帶有參數(mathbf w)關于動作-價值函數分布(p[Q|mathbf w])

例如說多組獨立的高斯分布(mathbf w = [mu_1,sigma_1^2,dotsmu_k,sigma^2_k])對于所有的(ain[1,k])

貝葉斯方法在于計算后來的關于(mathbf w)的分布

[p[mathbf w | R_1,dots,R_t]
]

通過后來的數據來制導探索進程

上確信界
概率匹配（Probability Matching）

前置信息越精確，那么算法性能越好

基于上確信界的貝葉斯老（和諧）虎（和諧）機（Bayesian Bandits with Upper Confidence Bounds）

通過貝葉斯定律計算前置(p[mathbf w|R_1,dots R_{t-1}])

計算動作-價值的后置分布

(p[Q(a)|R_1,dots R_{t-1}]=p[Q(a)|mathbf w]p[mathbf w|R_1,dots,R_{t-1}])

然后估計后置狀態的上確信界，如(U_t(a)=csigma(a))

其中(sigma(a))是(p(Q(a)|mathbf w))的標準差

然后選擇動作以讓(Q_t(a) + csigma(a))最大化

概率匹配（Probability Matching）

概率匹配基于(a)是最優動作的概率去選擇動作

[pi(a)=mathbb{P}igg[Q(a) =max_{a'}Q(a')|R_1,dots,R_{t-1}igg]
]

概率匹配在于未確定下方面也是充分樂觀的

對于不確定性的動作有更高的可能性成為最大值

但是解析性地計算后續狀態的(pi(a))比較困難

辛普森采樣（Thompson Sampling）

辛普森采樣屬于一種基于采樣的概率匹配

[pi(a)=mathbb{E}igg[mathbf 1(Q(a)=max_{a'}Q(a'))|R_1,dots,R_{t-1}igg]
]

然后通過貝葉斯定律去計算后續分布

[p_mathbf w(Q|R_1,dots,R_{t-1})
]

從前驅狀態去采用一個動作-價值函數(Q(a))

然后通過最大化采樣去選擇動作

[A_t = mathop{argmax}_{ainmathcal{A}}Q(a)
]

對于伯努利老（和諧）虎（和諧）機，辛普森采樣成功達到了黎氏與拉賓氏最低悔數下界

價值信息（Value Information）

探索之所以好用乃是因為其增長了信息
那么我們可以去量化信息的價值嗎？

多少回報對于一個決策器會準備去付出代價去探索獲取其信息，而不著急于決策
獲取信息后的長期回報與短期回報（瞬間回報）的對比

在不確定性的情況下，顯然信息增益更為重要
為此在未知情況下進行探索更為合理
當我們知道了信息的價值之后，我們就能最優地權衡探索與開發了

信息狀態空間（Information State Space）

我們已經將老（和諧）虎（和諧）機問題視為一步決策問題了

同樣也可以視為序列決策問題

每一步都存在一個信息狀態(overline{S})把過去所有的信息累計起來

對于每個動作(A)會引出一個狀態轉移到達新的一個信息狀態(overline{S'})（通過信息加和），基于概率(overline{P}^A_{overline{S},overline{S}'})

為此現在我們就擁有了一個增強信息狀態空間的(MDP mathcal{overline{M}})

[mathcal{overline{M}}=langle overline{S}, mathcal{A},mathcal{overline{P}},mathcal{R},gammaangle
]

伯努利老（和諧）虎（和諧）機（Bernoulli Bandit）

我們定義伯努利老（和諧）虎（和諧）機即：(mathcal{R^a}=mathcal{B}(mu_a))
例如說：藥動力學成功的概率就有(mu_a)
欲找出最高(mu_a)的搖臂
因此信息空間為(overline{S}=langlealpha, etaangle)

(alpha_a)計數了拉取搖臂(a)然后其回報為0
(eta_a)計數了拉取搖臂(b)然后其回報為1

信息狀態空間老（和諧）虎（和諧）機（Information State Space Bandits）

我們通過一個關于信息狀態的無窮MDP來方程化這個老（和諧）虎（和諧）機
這個MDP顯然可以用強化學習解決
無模型強化學習（Model-free reinforcement learning）

例如：Q-learning（Duff，1994）

基于貝葉斯模型的強化學習

例如：吉丁斯指標（Gittins indices）（Gittins，1979）

后來的方法一般被認為是適應于貝葉斯的強化學習
尋找關于先前分布的探索/開發貝葉斯最優解

適應于貝葉斯的伯努利老（和諧）虎（和諧）機（Bayes-adaptive Bernoulli Bandits）

從關于回報函數(mathcal{R^a})的(Beta(alpha_a,eta_a))開始

每一次時間選擇動作(a)，然后更新后續的(mathcal{R^a})

(Beta(alpha_a + 1,eta))若回報為0
(Beta(alpha_a,eta_a+1))若回報為1

如此就得以為適用于貝葉斯的MDP了一個狀態轉移函數(mathcal{overline{P}})

對于所有的信息狀態((alpha,eta))代表著一個模型(Beta(alpha,eta))

而每次狀態轉移則代表一個貝葉斯模型的更新

求解適用于貝葉斯的MDP需要考慮到價值信息

因為新信息的影響會作為因子影響到模型更新中

更多拓展

在伯努利的問題中，適用于貝葉斯的MDP可以直接通過動態規劃解決

這種解法正是被稱之為吉丁斯索引（Gittins index）

但是精確來說解決一個適用于貝葉斯的MDP是有點麻煩的

近來的方法已經可以做到探索大規模規劃了

（例如蒙特卡羅樹搜索算法）

供以構造一顆前向樹然后尋找貝葉斯從最開始的學習狀態的最優探索與開發權衡

解決多臂老（和諧）虎（和諧）機的總算法

隨機探索

(epsilon-Greedy)
(Softmax)
高斯噪音

基于不確定性的最樂觀情況（當未知狀態太多時容易陷入無窮狀態）

最優初始化
確信上界
辛普森采樣

學習狀態空間

吉丁斯指標
適用于貝葉斯的MDP

上下文式老（和諧）虎（和諧）機

對于一個上下文式老（和諧）虎（和諧）機定義為元組(langle mathcal{A, color{red}{S},R} angle)
(mathcal{A})為一個已知的動作集（或者稱為搖臂）
(mathcalcolor{red}{S}=mathbb{P}[mathcal{S}])則為一個關于狀態（或者稱為上下文）相關的未知分布
(mathcal{R^a_color{red}{s}}(r)=mathbb{P}[R=r|color{red}{S=s},A=a])則為一個關于回報未知的概率分布
對于每一步(t)

環境產生狀態(S_tsim mathcal{S})
智能體選擇動作(A_tinmathcal{A})
環境產生回報(R_tinmathcal{R^{A_t}_{S_t}})

目標是最優化累計回報(sum^t_{r=1}R_r)

馬爾科夫決策過程

上確信界的馬爾科夫決策過程

對于UCB法也能應用于整個MDPs
然后給出一個無模型的強化學習算法
最大化動作-價值函數中的上確信界

[A_t=mathop{argmax}_{ainmathcal{A}}Q(S_t,a)+U(S_t,a)
]

其中有一個較成功的方法去解決無模型強化學習的探索與開發

首先構造一個MDP模型
對于未知或者是知道極少的狀態，直接用(r_max)去取代他的回報函數
即是：非常樂觀地面對不確定性
通過你喜歡的算法解決這個樂觀MDP即可

策略迭代
價值迭代
樹形搜索
...

例如說 Rmax算法

適用于貝葉斯的MDP

MDPs同樣可以通過信息狀態來增強

現在增強過的狀態為(overline{S}=langle S,Iangle)

其中(S)是MDP的原狀態
其中(I)是累計的信息

適用于貝葉斯的方法得到了一個后繼狀態模型代表著每個已經被增強過的狀態(mathbb{P}[mathcal{P,R}|I])

求解適用于貝葉斯的MDP去尋找最優探索開發權衡必須關系與前驅狀態

然而增強MDP一般來說都較為龐大

蒙特卡羅樹形搜索在這里就被證明比較高效了（Guez等人的工作）

進階的來說還有更多用來安排探索與開發的復雜方法

隨機探索
樂觀不確定性
學習狀態空間

總結

以上是生活随笔為你收集整理的机器学习 | 强化学习（8） | 探索与开发（Exploration and Exploitation）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。