Maximum State Entropy Exploration using Predecessor and Successor Representations

要約

動物は発達した探索能力を持っており、食べ物を見つけたり、避難場所を探したり、置き忘れたアイテムを見つけたりするなどの重要な作業に役立ちます。
これらの探索スキルは、相対的に効率よくアイテムを見つける計画を立てることができるように、必然的に自分がどこにいたかを追跡します。
現代の探索アルゴリズムは、現在の状態のみを条件とするか、単にランダムな開ループ探索的な動きを行うことに依存しているため、効率の低い探索戦略を学習することがよくあります。
この研究では、次の探索的行動を行うために過去のエピソード経験に基づいて条件付けすることによって効率的な探索的ポリシーを学習する方法である $\eta\psi$-Learning を提案します。
具体的には、$\eta\psi$-Learning は、単一の軌跡の州訪問分布のエントロピーを最大化する探索ポリシーを学習します。
さらに、先行表現と後続表現のバリアントを組み合わせて状態訪問エントロピーを予測する方法を示します。
私たちの実験は、限られたサンプルで環境を戦略的に探索し、州の範囲を最大化するための $\eta\psi$-Learning の有効性を実証しています。

要約(オリジナル)

Animals have a developed ability to explore that aids them in important tasks such as locating food, exploring for shelter, and finding misplaced items. These exploration skills necessarily track where they have been so that they can plan for finding items with relative efficiency. Contemporary exploration algorithms often learn a less efficient exploration strategy because they either condition only on the current state or simply rely on making random open-loop exploratory moves. In this work, we propose $\eta\psi$-Learning, a method to learn efficient exploratory policies by conditioning on past episodic experience to make the next exploratory move. Specifically, $\eta\psi$-Learning learns an exploration policy that maximizes the entropy of the state visitation distribution of a single trajectory. Furthermore, we demonstrate how variants of the predecessor representation and successor representations can be combined to predict the state visitation entropy. Our experiments demonstrate the efficacy of $\eta\psi$-Learning to strategically explore the environment and maximize the state coverage with limited samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google