Self-Supervised Policy Adaptation during Deployment論文速覽——筆記

原論文講解地址

真誠的向大家推薦這個UP主摆昧,論文講述的方法清楚颂龙,脈絡清晰芜繁,聽君一席話勝讀十年書珊肃。

論文題目:Self-Supervised Policy Adaptation during Deployment(部署過程中的自監(jiān)督策略適配)

論文地址:http://arxiv.org/abs/2007.04309

代碼:?https://nicklashansen.github.io/PAD/

本文討論的是在reinforcement learning的方法訓練好了之后荣刑,在實際的部署過程中,環(huán)境可能發(fā)生了改變伦乔。為了應對這些環(huán)境的改變使算法更有魯棒性厉亏,作者提出:在部署的過程中要繼續(xù)對agent進行訓練。但在訓練過程中可能不太容易獲得reward信息烈和,在此作者引入了一個self-surpervise的任務爱只。幫助持續(xù)改善reinforcement learning中的encoder,達到對環(huán)境有一定的魯棒性的目的招刹。

下面是論文的具體內容:

圖1 網絡結構圖

左側的第一個網絡是一個encoder+兩個不同的head的結構恬试。一個head是做self-surprised learning窝趣,另一個head是做reinforcement learning的。在一開始做reinforcement learning的訓練過程中训柴,兩個head都是提供loss的哑舒。但是在部署階段的時候,因為不容易取得reinforcement learning的rewards幻馁,只剩下self-supervised learning洗鸵,但是即便如此,網絡依然能夠改善encoder的性能仗嗦,借此提升reinforcement learning的性能膘滨。

進一步我們需要了解文中所提到的Self-Supervised Learning(SSL)

作者研究了兩種Task:

一種是 Inverse Dynamics Prediction:

這一方法就是在有了一個transition之后得到state action和next state的pair。將state和next state輸入到encoder中稀拐,然后經過self-surprised的head火邓。其目的是預測state transition中執(zhí)行了什么樣的動作,與action的ground truth(gt)進行對比德撬。連續(xù)空間就用MSE

L(\theta_s,\theta_e)=\mathcal{l}(a_t,\pi_s(\pi_e(s_t),\pi_e(s_{t+1}) ))

離散空間就用CE(cross entropy)贡翘。

這種方法規(guī)避了傳統(tǒng)的dynamics prediction需要對未來進行預測這樣一個困難的任務。而是將盡可能多的信息提供給網絡砰逻,讓網絡預測一個簡單的action鸣驱。即便如此依然可以取得一個不錯的性能。

另一種是rotation prediction

這個任務比上一個任務更為簡單蝠咆,也就是將圖像隨機旋轉0,90,180或者270°踊东,然后用四分類的classifier預測圖像究竟旋轉了多少度。

作者實驗證明第一種任務的性能更好刚操。

那么在我們得到了這些loss之后要如何對網絡進行更新呢闸翅?

非常簡單的使用了上一個時刻的減去gradient的方法,且不影響網絡在線的運行菊霜。

圖2 參數(shù)更新方式

實驗結果證明坚冀,本文的方法在長時間的運行過程中取得了不錯的運行效果。

圖3 實驗結果

此外作者也匯報了豐富的ablation study的結果鉴逞,以及詳細的實驗設計记某。

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市构捡,隨后出現(xiàn)的幾起案子液南,更是在濱河造成了極大的恐慌,老刑警劉巖勾徽,帶你破解...
    沈念sama閱讀 211,884評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件滑凉,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機畅姊,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,347評論 3 385
  • 文/潘曉璐 我一進店門咒钟,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人若未,你說我怎么就攤上這事朱嘴。” “怎么了陨瘩?”我有些...
    開封第一講書人閱讀 157,435評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長级乍。 經常有香客問我舌劳,道長,這世上最難降的妖魔是什么玫荣? 我笑而不...
    開封第一講書人閱讀 56,509評論 1 284
  • 正文 為了忘掉前任甚淡,我火速辦了婚禮,結果婚禮上捅厂,老公的妹妹穿的比我還像新娘贯卦。我一直安慰自己,他們只是感情好焙贷,可當我...
    茶點故事閱讀 65,611評論 6 386
  • 文/花漫 我一把揭開白布撵割。 她就那樣靜靜地躺著,像睡著了一般辙芍。 火紅的嫁衣襯著肌膚如雪啡彬。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,837評論 1 290
  • 那天故硅,我揣著相機與錄音庶灿,去河邊找鬼。 笑死吃衅,一個胖子當著我的面吹牛往踢,可吹牛的內容都是我干的。 我是一名探鬼主播徘层,決...
    沈念sama閱讀 38,987評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼峻呕,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了趣效?” 一聲冷哼從身側響起山上,我...
    開封第一講書人閱讀 37,730評論 0 267
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎英支,沒想到半個月后佩憾,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 44,194評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,525評論 2 327
  • 正文 我和宋清朗相戀三年妄帘,在試婚紗的時候發(fā)現(xiàn)自己被綠了楞黄。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,664評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡抡驼,死狀恐怖鬼廓,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情致盟,我是刑警寧澤碎税,帶...
    沈念sama閱讀 34,334評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站馏锡,受9級特大地震影響雷蹂,放射性物質發(fā)生泄漏。R本人自食惡果不足惜杯道,卻給世界環(huán)境...
    茶點故事閱讀 39,944評論 3 313
  • 文/蒙蒙 一匪煌、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧党巾,春花似錦萎庭、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,764評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至署海,卻和暖如春达舒,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背叹侄。 一陣腳步聲響...
    開封第一講書人閱讀 31,997評論 1 266
  • 我被黑心中介騙來泰國打工巩搏, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人趾代。 一個月前我還...
    沈念sama閱讀 46,389評論 2 360
  • 正文 我出身青樓贯底,卻偏偏與公主長得像,于是被迫代替她去往敵國和親撒强。 傳聞我的和親對象是個殘疾皇子禽捆,可洞房花燭夜當晚...
    茶點故事閱讀 43,554評論 2 349

推薦閱讀更多精彩內容