强化学习（RL）是一种AI智能体与环境交互并根据交互过程中获得的奖励学习策略的技术。RL的进展通过在Atari等游戏上达到人类水平的表现得到了戏剧性展示。这一进展的关键是使用游戏模拟器生成大量数据。然而，将这一进展转化为现实世界的应用，例如装配线机器人或帮助老年人居家生活的机器人，存在两大障碍。首先，机器人复杂且脆弱；采取随机动作进行学习可能会损坏机器人或其周围环境。其次，机器人运行的环境通常与其训练环境不同。例如，一辆自动驾驶汽车可能必须在与其训练地点不同的城市区域工作。我们如何才能构建能够应对新场景的学习机器？
在一篇将在国际学习表征会议上发表的论文中，我们描述了一种名为MQL（元Q学习）的新型强化学习算法，它使AI智能体能够快速适应熟悉任务的新变体。
学习如何学习
与其他的“元学习”算法一样，在MQL中，智能体在大量相关任务（例如，如何拾取不同形状的物体）上进行训练，然后测试其学习这些任务新变体的能力。
MQL有两个关键区别。第一个区别在于，在训练期间，智能体学会计算针对每个任务的特定上下文变量。这使其能够为不同任务学习不同的模型：例如，拾取咖啡杯与拾取足球有很大不同。
第二个区别在于，在测试期间，MQL使用一种称为倾向性估计的统计技术，在其训练数据中搜索与正在学习的新任务交互相似的过往交互。这使得MQL能够以最少的交互适应新任务。
以上方的机器人为例，它希望学习拾取物体。在RL框架中，机器人会尝试拾取物体；每次成功拾取一个物体时它会获得奖励，如果掉落则会受到惩罚。经过反复试验，机器人学会了一种策略，使其能够拾取训练集中的所有物体。然而，如果该策略包含针对不同物体的不同交互模型，它的表现可能会更好。
这是MQL背后的第一个关键思想：机器人学习一个能够区分马克杯模型和足球模型的上下文。MQL使用门控循环单元（GRU）神经网络创建任务的表征，整个系统都以该表征为条件。
重用数据
上下文有助于系统预测处理新任务（例如，拾取一瓶水）的模型。然而，调整该模型仍然需要大量的训练样本。这就引入了MQL的第二个关键组成部分：其倾向性估计的使用。
倾向性分数表示给定样本来自两个分布中任意一个的几率。MQL使用倾向性估计来确定训练数据中哪些部分与测试任务数据接近：例如，拾取瓶子比拾取足球更接近拾取马克杯。然后，模型可以从相关的训练数据中采样，从而补充来自新任务的数据，以便更有效地进行适应。
我们在2019年7月的不确定性人工智能会议上发表的“P3O：策略上策略下策略优化”中也使用了倾向性估计。该技术同样有助于减少训练强化学习算法所需的样本数量。
随着AI系统处理越来越大的应用集，可用于训练的数据量开始显得不足。像MQL这样的技术是一种利用现有数据引导新任务学习的方法，可以显著减少训练AI系统的数据需求。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
