雅達利遊戲，又被推上了強化學習基礎問題研究的舞臺。
來自谷歌大腦的最新研究提出，強化學習雖好，效率卻很低下，這是為啥呢？
——因為AI遭遇了「災難性遺忘」！
所謂災難性遺忘，是機器學習中一種常見的現象。在深度神經網路學習不同任務的時候，相關權重的快速變化會損害先前任務的表現。
而現在，這項圖靈獎得主Bengio參與的研究證明，在街機學習環境（ALE）的單個任務中，AI也遇到了災難性遺忘的問題。
研究人員還發現，在他們提出的Memento observation中，在原始智慧體遭遇瓶頸的時候，換上一隻相同架構的智慧體接著訓練，就能取得新的突破。
單一遊戲中的「災難性干擾」
在街機學習環境（Arcade Learning Environment，ALE）中，多工研究通常基於一個假設：一項任務對應一個遊戲，多工學習對應多個遊戲或不同的遊戲模式。
研究人員對這一假設產生了質疑。
單一遊戲中，是否存在複合的學習目標？也就是說，是否存在這樣一種干擾，讓AI覺得它既要蹲著又要往前跑？
來自谷歌大腦的研究團隊挑選了「蒙特祖瑪的復仇」作為研究場景。
「蒙特祖瑪的復仇」被認為是雅達利遊戲中最難的遊戲之一，獎勵稀疏，目標結構複雜。
研究人員觀察到，CTS模型計算的Rainbow智慧體，會在6600分的時候到達瓶頸。更長時間的訓練和更大的模型大小都不能有所突破。
不過，只需從這個位置開始，換上一隻具有相同架構的新智慧體，就能突破到8000分的水平。
如此再重置一次，AI的最高分就來到了14500分。
需要說明的是，在換上新智慧體的時候，其權重設定與初始的智慧體無關，學習進度和權重更新也不會影響到前一個智慧體。
研究人員給這種現象起了一個名字，叫Memento observation。
Memento observation表明，探索策略不是限制AI在這個遊戲中得分的主要因素。
原因是，智慧體無法在不降低第一階段遊戲效能的情況下，整合新階段遊戲的資訊，和在新區域中學習值函式。
也就是說，在稀疏獎勵訊號環境中，透過新的獎勵整合的知識，可能會干擾到過去掌握的策略。
上圖是整個訓練過程中，對遊戲的前五個環境進行取樣的頻率。
在訓練早期（左列），因為尚未發現之後的環節，智慧體總是在第一階段進行獨立訓練。到了訓練中期，智慧體的訓練開始結合上下文，這就可能會導致干擾。而到了後期，就只會在最後一個階段對智慧體進行訓練，這就會導致災難性遺忘。
並且，這種現象廣泛適用。
上面這張圖中，每柱對應一個不同的遊戲，其高度代表Rainbow Memento智慧體相對於Rainbow基線增長的百分比。
在整個ALE中，Rainbow Memento智慧體在75%的遊戲中表現有所提升，其中效能提升的中位數是25%。
這項研究證明，在深度強化學習中，單個遊戲中的AI無法持續學習，是因為存在「災難性干擾」。
並且，這一發現還表明，先前對於「任務」構成的理解可能是存在誤導的。研究人員認為，理清這些問題，將對強化學習的許多基礎問題產生深遠影響。
傳送門
論文地址：
GitHub：
— 完 —