Replay Buffer With Local Forgetting for Adaptive Deep Model-Based Reinforcement Learning

要約

齧歯動物であれ人間であれ、研究対象がモデルベースの学習を示すかどうかを判断するために神経科学で使用される重要な行動特性の 1 つは、環境の局所的な変化への効果的な適応です。
ただし、強化学習では、最近の研究により、最新の深層モデルベースの強化学習 (MBRL) メソッドがそのような変化にうまく適応しないことが示されています。
この不一致の説明は、MBRL メソッドは通常、単一のタスクでのサンプル効率を念頭に置いて設計されており、学習された世界モデルと計画ルーチンの両方に関して、効果的な適応の要件が大幅に高いことです。
特に困難な要件の 1 つは、学習された世界モデルが状態空間の関連部分全体で十分に正確でなければならないということです。
これは、壊滅的な忘却により、深層学習ベースの世界モデルにとっては困難です。
また、リプレイ バッファは壊滅的な忘却の影響を軽減できますが、従来の先入れ先出しリプレイ バッファでは、古いデータが維持されるため、効果的な適応が妨げられます。
この作業では、この従来の再生バッファーの概念的に単純なバリエーションがこの制限を克服できることを示します。
新しく観測されたサンプルのローカル近傍からバッファからサンプルのみを削除することにより、報酬関数の変化に効果的に適応しながら、状態空間全体で精度を維持するディープ ワールド モデルを構築できます。
これは、従来の Dyna メソッドのディープ バージョンだけでなく、PlaNet や DreamerV2 などの最近のメソッドにもリプレイ バッファのバリエーションを適用することで実証され、ディープ モデルベースのメソッドが環境の局所的な変化にも効果的に適応できることを示しています。
.

要約(オリジナル)

One of the key behavioral characteristics used in neuroscience to determine whether the subject of study — be it a rodent or a human — exhibits model-based learning is effective adaptation to local changes in the environment. In reinforcement learning, however, recent work has shown that modern deep model-based reinforcement-learning (MBRL) methods adapt poorly to such changes. An explanation for this mismatch is that MBRL methods are typically designed with sample-efficiency on a single task in mind and the requirements for effective adaptation are substantially higher, both in terms of the learned world model and the planning routine. One particularly challenging requirement is that the learned world model has to be sufficiently accurate throughout relevant parts of the state-space. This is challenging for deep-learning-based world models due to catastrophic forgetting. And while a replay buffer can mitigate the effects of catastrophic forgetting, the traditional first-in-first-out replay buffer precludes effective adaptation due to maintaining stale data. In this work, we show that a conceptually simple variation of this traditional replay buffer is able to overcome this limitation. By removing only samples from the buffer from the local neighbourhood of the newly observed samples, deep world models can be built that maintain their accuracy across the state-space, while also being able to effectively adapt to changes in the reward function. We demonstrate this by applying our replay-buffer variation to a deep version of the classical Dyna method, as well as to recent methods such as PlaNet and DreamerV2, demonstrating that deep model-based methods can adapt effectively as well to local changes in the environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google