Learning state representations in reinforcement learning using mixed policy successor features
Notice bibliographique
Résumé
Reinforcement learning (RL) algorithms often suffer from sample inefficiency compared to humans on the same task.This is because humans have strong priors (especially in terms of good representations) that they have obtained through their evolutionary history and life experiences.Unsupervised pre-training in the environment can also be used to incorporate such priors, though this requires some experience with the environment, if not with rewards.Successor features (SFs) are one strategy to encode priors into state representations.They provide a representation scheme in which each state is represented by expected discounted future occupancy of other states.However, in their conventional formulation, SFs suffer from dependence on policy, dependence on context, and sample inefficiency (requiring extensive training on the task).We propose to address these three problems with a novel approach to pretraining SFs that can serve as good state representations for new agents, akin to evolutionary and life experience priors in the brain.We learn them by minimizing successor feature loss in an unsupervised training phase where data is collected from exploring the environment using a mixture of several (often good) policies with additional exploration, an approach we refer to as "mixed policy successor features" (MPSFs).We show how this approach can help us to learn policy-general and context-general representations that enable sample efficient RL.We also explore how MPSF can enable sample efficient unsupervised pre-training by incorporating a unsupervised initialization phase.We empirically demonstrate the effectiveness of these approaches in grid world environments.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».