Towards better generalization capabilities of reinforcement learning agents via self-supervision
Notice bibliographique
Résumé
The notion of general intelligence of an agent is closely linked with its ability to solve different tasks, given a certain amount of prior information.However, the recent success of deep reinforcement learning agents in challenging domains such as video games and robotic control has been hindered by the limited ability to re-use pre-trained agents on unseen tasks.Since reinforcement learning tasks are primarily specified through the reward signal, incorporating additional reward-free learning objectives that better capture other components of the environment should lead to task-agnostic representations which generalize better.This thesis studies the idea of using self-supervised and unsupervised learning to discover state representations for better generalization of reinforcement learning agents.First, I propose a representation learning framework for projecting policies onto a Reproducing Kernel Hilbert Space, which comes with theoretical guarantees and variance-reduction properties.In order to alleviate the exponential space complexity of the RKHS framework, I then develop a method to capture multi-step behavioral similarities from trajectories, which helps improve zero-shot generalization performance on hard procedural generalization tasks.Third, I show how the auxiliary task of predicting future states via the InfoMax principle [Linsker, 1988] can help the agent learn under a distribution shift.Finally, I present a first attempt to learn generalizable state representations from offline high-dimensional datasets using contrastive learning across multiple generalized value functions.Thank you to my partner Kayla, my parents and my sister for their support and encouragement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».