STARC: A General Framework For Quantifying Differences Between Reward Functions

要約

強化学習を使用してタスクを解決するには、まずそのタスクの目標を報酬関数として形式化する必要があります。
ただし、現実世界の多くのタスクでは、望ましくない行動を決して奨励しない報酬関数を手動で指定することは非常に困難です。
その結果、データから報酬関数を学習しようとする報酬学習アルゴリズムを使用することがますます一般的になっています。
しかし、報酬学習の理論的基盤はまだ十分に開発されていません。
特に、高い確率で与えられた報酬学習アルゴリズムが、最適化しても安全な報酬関数をいつ学習するかは、通常は不明です。
これは、報酬学習アルゴリズムは一般に経験的に評価する必要があり、費用がかかり、その失敗モードを事前に予測することが難しいことを意味します。
より優れた理論的保証を導き出すための障害の 1 つは、報酬関数間の差異を定量化するための優れた方法が存在しないことです。
この論文では、STARC (STAndardized Reward Comparison) メトリクスと呼ばれる、すべての報酬関数の空間上の疑似メトリクスのクラスの形式で、この問題の解決策を提供します。
STARC メトリクスは最悪の場合のリグレスの上限と下限の両方を誘発することを示します。これは、私たちのメトリクスがタイトであり、同じプロパティを持つメトリクスはすべて、私たちのメトリクスと同等のビリプシッツでなければならないことを意味します。
さらに、以前の研究で提案された報酬指標に関する多くの問題も特定しました。
最後に、メトリクスを経験的に評価して、実際の有効性を実証します。
STARC メトリクスを使用すると、報酬学習アルゴリズムの理論的分析と実証的分析の両方をより簡単かつ原理的に行うことができます。

要約(オリジナル)

In order to solve a task using reinforcement learning, it is necessary to first formalise the goal of that task as a reward function. However, for many real-world tasks, it is very difficult to manually specify a reward function that never incentivises undesirable behaviour. As a result, it is increasingly popular to use reward learning algorithms, which attempt to learn a reward function from data. However, the theoretical foundations of reward learning are not yet well-developed. In particular, it is typically not known when a given reward learning algorithm with high probability will learn a reward function that is safe to optimise. This means that reward learning algorithms generally must be evaluated empirically, which is expensive, and that their failure modes are difficult to anticipate in advance. One of the roadblocks to deriving better theoretical guarantees is the lack of good methods for quantifying the difference between reward functions. In this paper we provide a solution to this problem, in the form of a class of pseudometrics on the space of all reward functions that we call STARC (STAndardised Reward Comparison) metrics. We show that STARC metrics induce both an upper and a lower bound on worst-case regret, which implies that our metrics are tight, and that any metric with the same properties must be bilipschitz equivalent to ours. Moreover, we also identify a number of issues with reward metrics proposed by earlier works. Finally, we evaluate our metrics empirically, to demonstrate their practical efficacy. STARC metrics can be used to make both theoretical and empirical analysis of reward learning algorithms both easier and more principled.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google