Discount Factor Estimation in Inverse Reinforcement Learning
Notice bibliographique
Résumé
In reinforcement learning, the reward that guides the learning process of a decision-maker acting in an environment to achieve a goal can be non-trivial to specify. As such, inverse reinforcement learning (IRL) seeks to observe an expert and explain behaviour in terms of a reward. However, behaviour of humans is linked to the choice of discount factor and arbitrary choices of discount factor in IRL can lead to different rewards and optimal behaviours. Thus, discount factor estimation as part of the IRL framework is crucial to mitigate such bias in the learning process. This thesis evolves a utility-based objective within the maximum entropy IRL algorithmic framework to simultaneously estimate the discount factor and reward in a gradient-based manner via explicit computations of derivatives. The case of a single expert is first investigated prior to extension to multiple experts, in which Expectation-Maximization procedure is employed to learn each expert's cluster of trajectories and obtain maximum likelihood estimates of interest. Experimental and numerical studies on MDP environments, e.g., Grid-World are carried out with evaluative performance measures. Furthermore, an application to real-world traffic data is presented. Driving behaviour of humans may react sub-optimally to congestion leading to loss in traffic capacity. Therefore, a comparison of the observed traffic flow with theoretical maximum flow gives a quantified loss. Recommendations are also made on how a human driver should be nudged to minimize the loss. This is possible by solving three optimization problems: IRL given traffic data to learn actual reward and discount factor, forward reinforcement learning using a flow-based reward to generate ideal driving behaviour leading to theoretical maximum traffic flow, and a least-square fitting procedure to compute ideal rewards. Empirical evaluations on highway 401 in Greater Toronto Area are carried out to validate the approach.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».