On Many-Actions Policy Gradient

要約

我々は、状態ごとに多くの行動サンプルを持つ確率的政策勾配(SPG)の分散を研究する。多動作最適化条件を導出し、多動作SPGが、比例的に拡張された軌道を持つ単動作エージェントと比較して、より低い分散をもたらす場合を決定する。我々は、SPGの文脈で多動作サンプリングのためにダイナミクスモデルを活用するアプローチであるモデルベース・メニーアクション(MBMA)を提案する。MBMAは、既存の多動作SPGの実装に関連する問題を解決し、モデルシミュレーションされたロールアウトの状態から推定されるSPGよりも低いバイアスと同等の分散を得る。MBMAのバイアスと分散の構造は、理論で予測されたものと一致することがわかった。その結果、MBMAは、モデルなし、多動作、モデルベースのオンポリシーSPGのベースラインと比較して、連続行動環境の範囲において、サンプル効率の改善と高いリターンを達成する。

要約(オリジナル)

We study the variance of stochastic policy gradients (SPGs) with many action samples per state. We derive a many-actions optimality condition, which determines when many-actions SPG yields lower variance as compared to a single-action agent with proportionally extended trajectory. We propose Model-Based Many-Actions (MBMA), an approach leveraging dynamics models for many-actions sampling in the context of SPG. MBMA addresses issues associated with existing implementations of many-actions SPG and yields lower bias and comparable variance to SPG estimated from states in model-simulated rollouts. We find that MBMA bias and variance structure matches that predicted by theory. As a result, MBMA achieves improved sample efficiency and higher returns on a range of continuous action environments as compared to model-free, many-actions, and model-based on-policy SPG baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL