offline RL | CQL：魔改 Bellman error 更新，得到 Q 函式 lower-bound

MoonOut發表於2023-11-07
Error函式

目錄

review 總結

open review： https://proceedings.neurips.cc/paper_files/paper/2020/file/0d2b2061826a5df3221116a5085a6052-Review.html

  • contribution：用於 offline RL 的保守 Q 學習（Conservative Q-Learning，CQL）。

    • 一種新的 Q function 更新規則，對 Q 分佈進行額外的正則化：透過在適當選擇的 state-action pair 上的輔助分佈下，在通常的 Bellman update 中新增正則項，用來最小化 OOD action 的 Q value，從而減少對 OOD action 的 Q value 高估。
    • 作者表明，這個更新規則能夠漸進得到，從精確 policy evaluation 中獲得的 policy value 的下限。
    • 在學習演演算法中使用這種保守的 Q function，從而得到 Conservative Q-Learning 演演算法（CQL）。作者表明，以這種方式得出的策略更新是保守的，因為在每次迭代中，策略都會針對 value 的 lower-bound 進行最佳化。
    • CQL 演演算法有幾個不同的變體，它們在 offline control 的 benchmark 中效能很好，並且，對於 offline RL 中 behavior policy 與實際 policy 的 action distribution 不一致，所導致的 Q 分佈的誤差更穩健。
    • 公式 1：在估計特定策略的 Q function 時，新增一個 penalty，會產生對 policy value 的低估，但這種低估過於保守。
    • 公式 2：在估計 Q function 時，在 penalty 中減去基準策略（行為策略 behavior policy）的 value。這也被證明會低估 policy value。作者從理論與實驗上驗證了這個 idea。

  • strength：

    • 簡單而新穎的方法，概念上聰明的想法。透過直接最小化 off-policy Q value，而不是估計 Q function 中的行為密度或不確定性，來對抗 offline Q learning 中的高估。很聰明，因為與大多數現有方法相反，它不需要任何形式的狀態訪問密度。
    • 具體的，該方法將 value 取多少 lower-bound，取決於經驗行為分佈 \(\pi_\beta\)，其中很少被評估的 actions 會導致更大的 lower-bound。（？）
    • 之前沒有針對 offline RL 的這種研究，因為將 Q function 正則化，對 OOD action 表現不好。（？）

  • weaknesses：

    • 雖然本文的理論動機集中在構建下界，但沒有討論下界是多少 以及這是否合理（？奇怪的英文句子）。主要弱點在於 alpha，它以 Q 值的平方損失相對於 Q 值的線性差進行互動（？）。
    • 在實證（實驗）中比較平均值，而非提供適當統計資料（比如方差這種統計量），是有缺陷的。
    • 公式 1 和 2 必然會收斂到一個 fixed point（忽略不屬於 D 的動作）是顯而易見的嗎？能否解釋一下，針對 BC （behavior cloning 行為克隆 模仿學習）策略進行正則化的方法，為何會比 BC 策略表現更差？在我看來，總是可以選擇足夠強大的正則化，至少讓它跟 BC 策略一樣好，為什麼表 1 和 2 中的情況不是這樣呢？

0 abstract

Effectively leveraging large, previously collected datasets in reinforcement learning (RL) is a key challenge for large-scale real-world applications. Offline RL algorithms promise to learn effective policies from previously-collected, static datasets without further interaction. However, in practice, offline RL presents a major challenge, and standard off-policy RL methods can fail due to overestimation of values induced by the distributional shift between the dataset and the learned policy, especially when training on complex and multi-modal data distributions. In this paper, we propose conservative Q-learning (CQL), which aims to address these limitations by learning a conservative Q-function such that the expected value of a policy under this Q-function lower-bounds its true value. We theoretically show that CQL produces a lower bound on the value of the current policy and that it can be incorporated into a policy learning procedure with theoretical improvement guarantees. In practice, CQL augments the standard Bellman error objective with a simple Q-value regularizer which is straightforward to implement on top of existing deep Q-learning and actor-critic implementations. On both discrete and continuous control domains, we show that CQL substantially outperforms existing offline RL methods, often learning policies that attain 2-5 times higher final return, especially when learning from complex and multi-modal data distributions.

摘要：

  • 在強化學習（RL），有效利用事先收集的大型資料集，是大規模實際應用面臨的一個關鍵挑戰。離線強化學習（offline RL）演演算法，有望從以前收集的靜態資料集中學習有效的策略，而無需進一步的互動。
  • 然而，在實踐中， offline RL 是一項重大挑戰。因為資料集與所學策略之間的 state-action 聯合分佈的偏移，會導致對 value 的高估，因此，標準的 off-policy RL 魔改成的 offline RL 可能會失敗，尤其是在複雜和多模式資料分佈上。
  • 在本文中，我們提出了保守 Q-learning (CQL)，旨在透過學習一個保守的 Q 函式來解決這些侷限性，即，在該 Q 函式下，policy value 的期望值低於其真實值。
  • 我們從理論上證明，CQL 能生成當前 policy value 的下限，並基於該下限學習新策略，從而保證理論上的改進。
  • 在實踐中，CQL 透過一個簡單的 Q 值正則化器（regularizer），增強了標準的 Bellman error 最佳化目標，該正則化器可以在現有的 Deep Q Learning 和 Actor-Critic 的基礎上直接實現。
  • 在離散和連續控制域上，我們的研究表明，CQL 的效能大大優於現有的 offline RL 方法，其學習策略的最終收益往往能提高 2-5 倍，尤其對於複雜和多模態的資料分佈。

1 intro

  • Offline RL / batch RL：[11, 15, 30, 3, 27, 54, 34]
  • 在 offline 環境中，直接使用現有的 value-based 的 off-policy RL 演演算法，通常效能不佳，這是由於從 OOD action 中 bootstrap 的問題 [30, 15] 和過擬合 [13, 30, 3]，通常表現為 value function 的錯誤的樂觀估計。
  • 如果我們能學習一個保守的 value function 估計值，為真實值提供一個下限，那麼就能解決高估問題。
    • 事實上，由於 policy evaluation 和 policy improvement 通常只使用 value function，我們可以學習一個不那麼保守的下限 Q 函式，這樣，策略下的 Q 函式期望值是下限，而非使用點式下限。（見後文，從公式 1 到公式 2）
  • main idea：在適當選擇的 (state,action) 分佈下，最小化 Q 值（公式 1），然後透過在資料分佈上加入最大化項，進一步收緊這一約束（公式 2）。
  • 演演算法框架 CQL：透過在訓練過程中對 Q 值進行正則化，學習保守的 value function 下限估計值。
    • 理論分析：只有在策略下的 Q 函式期望值，才會是真實策略值的下限，從而避免了逐點的 Q 函式下限可能產生的額外低估，這在探索文獻 [46, 26] 中，通常是在相反的背景下進行探討的。
    • 透過實驗，證明瞭我們的方法對 Q 函式估計誤差的穩健性。
  • 如何實現 CQL：將這些保守估計，用於策略評估和離線 RL。
    • 簡單修改：只需在 Q 函式更新中新增 CQL 正則化項，就能在許多標準 online RL 演演算法 [19, 8] 的基礎上，用不到 20 行程式碼實現 CQL。
  • 實驗：適用於具有複雜資料集組合的領域（已知先前的方法通常在這些領域表現不佳）[12]（可能是 D4RL 的 random medium expert 之類）和具有高維視覺輸入的領域 [5, 3]（其實應該就是 Atari 的 state - 遊戲螢幕截圖吧）。
    • 在許多 benchmark 上，CQL 的表現比之前的方法高出 2-5 倍之多，而且還是在從人機互動中收集的大量現實資料集上，唯一的表現優於簡單 behavior cloning 的方法。

2 preliminaries

  • 符號定義：
    • \(\pi_{\beta}(a|s)\) 代表 behavior policy。\(d^{\pi_\beta}(s)\) ：\(\pi_{\beta}(a|s)\) 的 discounted marginal state-distribution。離線資料集 D，相當於在 \(d^{\pi_\beta}(s)\pi_\beta(a|s)\) （state-action 聯合分佈）裡取樣得到。
    • \(\hat \pi_\beta(a|s)\) 代表 empirical behavior policy，\(\hat \pi_\beta(a|s)={\sum_{(s,a)}1[s=s,a=a]}/{\sum_s1[s=s]}\) ，就是在歷史資料的 state s 下有多少次選擇了 action a。
    • 假設 reward 有 bound： |r(s, a)| ≤ R_max。
  • 回顧：
    • 回顧 Q-learning method：迭代計算 Q function，\(B^*Q(s,a)=r(s,a)+\gamma E[\max Q(s',a')]\)。
    • 回顧 actor-critic：要訓一個 actor policy，用來做 \(\pi(a|s)=\arg\max_aE[Q(s,a)]\)。
    • 由於 dataset D 不會包含所有的 transition tuple (s,a,s')，所以 policy evaluation 步驟事實上用的是 empirical Bellman operator，稱為 \(\hat B^\pi\)，它只備份（backs up）單個樣本。
    • （沒有聽懂，應該是隻對單個 (s,a,s') 做 Bellman 迭代吧）
  • offline RL：給定資料集 \(D=\{(s,a,r,s')\}\)，是用 behavior policy \(\pi_{\beta}(a|s)\) 收集的。然後在這個資料集上做 policy evaluation + policy improvement。（evaluation 是在更新 Q function，新 Q 接近 r + γ × 老 Q，用 min 最小化平方誤差來寫）
  • 問題：這樣直接做 offline RL，會出現 action distribution shift（動作分佈偏移）的現象。
    • 大概就是，最後訓出來的 policy 的 action distribution 跟取樣策略 \(\pi_\beta(a|s)\) 不太一樣（？）
    • 由於 policy 的訓練目標是最大化 Q 值，因此，可能會傾向於 Q 值被高估的 out-of-distribution 行為。
    • 經典 offline RL 方法 [30, 27, 59, 54]，透過限制所學策略 [34] 遠離 OOD action，來緩解這一問題。
    • 需要注意的是，在訓練 offline RL 的 Q function 時，不會受到 state distribution shift（狀態分佈偏移）的影響，因為 Bellman backup 不會在 OOD 的狀態上更新 Q 函式，但是在測試時，可能會遇到新 state，受影響。

3 CQL framework

3.1 Conservative Off-Policy Evaluation

CQL 最初的 idea：

  • 我們只有行為策略 \(π_β(a|s)\) 生成的資料集 D，但是要估算目標策略 π 的 value function \(V^π(s)\)。
  • 因為希望防止 policy value 的高估，因此在學習標準 Bellman error 目標的同時，還透過最小化 Q 值，來學習一個保守的 Q 函式 lower-bound。
  • 使用一種懲罰方式：最小化【特定的】state-action pair distribution µ(s,a) 下的 Q 函式期望值。
    • 標準 Q 函式訓練並不去管 unobserved state 下的 Q 函式值，卻去更新 unobserved action 下的 Q 函式值，因此，我們限制 µ 與資料集中的狀態邊際（state-marginal）相匹配，\(\mu(s,a) = d^{π^β}(s)\mu(a|s)\)。【沒有聽懂】
  • 這樣，就得到了訓練 Q 函式的迭代更新，它是權衡因子（tradeoff factor）α ≥ 0 的函式：

【3.1 節的公式 1：加了一個懲罰項，最小化 α · E_{μ 分佈} Q(s,a) 】

定理 3.1 的解釋：

  • 證明：這樣得到的 Q function，是所有 s-a dataset 分佈的下界。
  • 這個下界可以更緊一些。如果只要求 \(π(a|s)\) 下， \(\hat Q^π\) 的期望值低於 \(V_π\)，我們可以透過在資料分佈 \(π_β(a|s)\)下，引入一個額外的 Q 值最大化項來改進約束，從而實現迭代更新（等式 1 中紅色部分的變化）：

【3.1 節的公式 2：拉低了 μ 分佈的 s-a，但拉高了 \(s\sim D,a\sim\hat\pi_\beta(a|s)\) 的 Q value，pi hat 是 empirical behavior policy】

定理 3.2 的解釋：

  • 雖然得到的 \(\hat Q_π\) 可能不是對每個點都能有下限，但當 \(\mu(a|s)=π(a|s)\) 時，有數學期望 \(E_{π(a|s)} [\hat Q^π(s,a)]≤V^π (s)\)。
  • 因為公式 2 最大化了行為策略（behavior policy）\(\hat\pi_\beta(a|s)\) 的 Q 值，因此可能會高估 \(\hat\pi_\beta(a|s)\) 下的 action，所以說 Q hat 不是 point-wise lower-bound。
  • 在 Appendix D.2 中證明，只有最大化 \(\hat\pi_\beta(a|s)\) 時，才能取得數學期望的 lower bound（？）

理論分析：（有點複雜，沒看懂…）

  • 公式 1 2 使用的經驗貝爾曼運算元 \(\hat B^π\) ，而非實際的貝爾曼運算元 \(B^π\)。
  • CQL 是 lower-bound 的證明，在 Appendix C。

定理 3.1：

  • point-wise lower bound。
  • 對於公式 1 中希望最小化的分佈 μ(a|s)，只要滿足 \(\mathrm{supp}~\mu\subset\mathrm{supp}~\hatπ\) （不知道什麼意思…），就有≥ 1-δ 的機率滿足，求得的 \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\) - 一個含 α 的東西 + 一串東西。
  • 只要 α 足夠大，就有 \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\)，對任意 s ∈ D、任意 a。
  • 當 \(\hat B^π=B^π\) 時，任何 α＞0 都能保證， \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\)，對任意 s ∈ D、任意 a。

定理 3.2：

  • 數學期望 lower bound 。
  • 當 \(\mu=\pi\) 時（\(\pi\) 是當前訓出來的策略（？）），透過策略 \(\pi\) 下 的 Q function 得到的 value function \(\hat V^\pi(s)=E_{\pi(a|s)}[\hat Q^\pi(s,a)]\)，是真實 value function \(V^π (s)=E_{π(a|s)}[Q^π(s,a)]\) 的 lower bound。
  • 因為（一大串公式），對任意 s ∈ D，有 V hat ≤ V - 一個含 α 的東西 + 一串東西。
  • 因此，若 α ＞ 一串東西，對任意 s ∈ D，都有 V hat ≤ V 的機率 ≥ 1-δ。若 \(\hat B^π=B^π\) ，任何 α＞0 都能保證 V hat ≤ V 。

討論：

  • 在定理 3.1 3.2 的證明中，假設 Q function 是精確計算的，沒有使用 function approximation（如 NN）。
    • 不過，定理 3.2 可以 generalize 到 linear function approximator 和基於 neural tangent kernel (NTK) 的 NN 擬合器，見 Appendix D.1 的定理 D.1 D.2。
  • 總之，證明瞭 Q ← min α E_μ Q(s,a) + 1/2 [Q(s,a) - BQ(s,a)]² 是 Q function 的下界，Q ← min α[E_μ Q(s,a) - E_\(\hatπ_β\) Q(s,a)] + 1/2 [Q(s,a)-BQ(s,a)]² 是更緊的下界。
    • 隨著可用資料變多，|D(s,a)| 增加，保證下界所需的 α 值變小；在無限資料中，只需極小的 α 便可維持下界。

3.2 Conservative Q-Learning for Offline RL

背景：

  • 在 3.1 節的公式 2 中令 μ = π，做 policy evaluation - policy improvement 迴圈，可以得到 Q function 下限，但這樣計算成本太高（？）
  • 由於 policy iteration 得到的 \(\hat\pi_k\) 通常來自於 Q function，因此可以改進 μ 的選擇，進行一些近似，得到一個線上（online）演演算法（？）

定義了 CQL(R) ，是一類最佳化問題，R(μ) 是正則化項。

【3.2 節的公式 3： \(\min_Q\max_\mu \alpha(E_\mu Q-E_{\hat\pi_\beta} Q)+1/2[Q-BQ]^2+R(\mu)\)，變成了 min max 形式，還加了一個 μ 的正則化項】

CQL 的變體：

  • 如果令 R(μ) = -DKL(µ, ρ)，即策略的 action 分佈與一個先驗 action 分佈的 KL 散度。
  • 1 - 若 ρ = Uniform(a)，那麼將會變成公式 4 的形式，稱為 CQL(H)。H 是資訊熵的意思。
  • 2 - 若 ρ = \(\hat\pi_{k-1}\) 即上次得到的策略，那麼，等式 4 的第一項會變成 \(\hat\pi_{k-1}(a|s)\) 的 actions 的 Q values 的指數加權平均值。
    • 根據經驗，這種變體在高維行動空間（如表 2）中更穩定，因為在高維行動空間中，由於方差較大，透過抽樣估計 \(\log\sum_a\exp\) 具有挑戰性。（沒有聽懂）
  • 3 - 在附錄 A 中，討論 CQL 的另一個變體，並將其與分佈穩健最佳化（distributionally robust optimization）[43] 聯絡起來。

CQL 的理論分析：

  • 去證明 CQL 確實是保守的（conservative），每個 policy iterate 都根據 value 的 lower bound 來最佳化得到。
    • 有 sampling error 樣本誤差的情況見 Appendix C，這裡我們就不考慮了。

定理 3.3：

  • 證明：前面提到的 CQL(H)，學習了實際 Q function 的 lower bound。
  • 令 \(π_{\hat Q^k}(a|s)∝\exp \hat Q^k(s,a)\) （這是得到 policy 的方式），假設 \(D_{TV}(\hat π^{k+1}, π_{\hat Q^k})\le\epsilon\) （大概就是策略變化緩慢的意思），則有 \(\hat Q^k\) 下的 policy value 是真實 value 的 lower bound，\(\hat V^{k+1}(s) ≤ V^{k+1}(s)\) 。
  • —— 只要滿足，LHS ≥ RHS。
  • LHS：是在 CQL 更新的迭代 k+1 中， Vˆk+1 值的保守程度，如果學習到的策略正好等於 \(\hat Q^k\) 的 softmax 策略（正比於 exp）（按理來說是這樣的），即 \(\hat π_{k+1}=π_{\hat Q^k}\) 時。
  • RHS：然而，實際策略 \(\hat π_{k+1}\) 可能不同，RHS 是由於這種差異而可能高估的最大值。
  • 為了得到下限，我們要求低估 value function 的量更大，可以透過較小的 ε（即策略變化緩慢）得到。
  • （基本沒看懂…）

CQL 的 Q function update 是 gap-expanding 的：

  • 是說，1. ID（分佈內）的 Q value、2. 錯誤樂觀估計的 OOD Q value，它們之間的 difference，比真實 Q function 的 difference 更高。
  • 這意味著，策略 \(π_k(a|s)∝\exp\hat Q^k(s,a)\) 被約束的更接近資料集 D 的經驗策略分佈 \(\hat π_β(a|s)\)，隱式地防止了 OOD 的 distribution shift。

定理 3.4：（CQL is gap-expanding）

  • 在任何步迭代 k 中，CQL 都能擴大行為策略 \(π_β(a|s)\) 和 \(\mu_k\) 下預期 Q 值的差距。
  • 因此，對於足夠大的 \(α_k\)，對於任意 s ∈ D，我們有 \(E_{π_β(a|s)}[\hat Q^k(s,a)]−E_{\mu_k(a|s)}[\hat Q^k(s,a)]> E_{π_β(a|s)}[Q^k(s,a)]−E_{\mu_k(a|s)}[Q^k(s,a)]\) 。

（Appendix B 透過實驗證明，先前的 offline RL 方法，如果沒有明確限制或正則化 Q 函式，可能不具備對於 OOD Q 值高估的魯棒性）

總結：

  • 證明瞭 CQL RL 演演算法可以學習到下限 Q 值，在足夠大的 α 下。這意味著，最終策略的 value function 至少能有我們計算的 Q hat 那麼大，我們計算的 Q hat 是一個下限。
  • 證明瞭 Q function 是 gap-expanding 的，這意味著它只能高估 ID action 和 OOD action 之間的 gap，從而防止 OOD 行動。（所謂的拉高 ID action，拉低 OOD action）

3.3 Safe Policy Improvement Guarantees

本 subsection 總結：

  • CQL 最佳化的是一個定義明確的、包含懲罰項的（penalized）經驗 RL 目標函式（empirical RL objective），並針對 behavior policy（行為策略），進行了高置信度（機率 ≥ 1-γ）的安全策略改進。
  • 改進的程度會受到較高 sampling error（取樣誤差）的負面影響，而 sampling error 會隨著觀察樣本的增多（|D| 變大）而減小。

定理 3.5：

  • 定義：任意策略的 empirical return（經驗收益）\(J(π, \hat M)\)，為 empirical MDP（經驗 MDP） \(\hat M\) 的 discounted return（應該是 discounted reward 求和吧）。其中，empirical MDP 由資料集 D 得出，\(\hat M=\{(s, a, r, s')∈D\}\) 。
  • 設 \(\hat Q^\pi\) 是公式 2 的不動點（fixed point）（即已經求到了策略 π 的 value function），則 \(π^*(a|s):=\arg\max_π E_{s\simρ(s)} [\hat V^π(s)]\) （該 value function 匯出的 policy）可以等價表示為，\(π^*(a|s)←\arg\max_πJ(π,\hat M)−α\frac{1}{1−γ} E_{s∼d^π_{\hat M}(s)}[D_{CQL}(π,\hat π_β)(s)]\) ，其中 D_CQL 是一個 penalty， \(D_{CQL}(π, π_β)(s):=\sum_a π(a|s)\cdot (\frac{π(a|s)}{π_β(a|s)}−1)\) 。
  • 證明見 Appendix D.4。
  • 直觀地說，定理 3.5 表明，CQL 最佳化了經驗 MDP \(\hat M\) 中的策略收益，同時還透過 D_CQL 懲罰項，確保學習到的策略 π 與行為策略 \(\hat π_β\) 不會相差太大。
    • 這種懲罰是透過 CQL 的 gap-expanding（定理 3.4）特性，來隱式引入的。

定理 3.6：

  • 在定理 3.5 和 CPO [1] 分析的基礎上，證明 CQL 提供了行為策略 \(\hat π_β\) 上的 ζ-safe policy improvement。
  • 設 \(π^*(a|s)\) 是定理 3.5 得到的策略。那麼，在實際 MDP M 中，策略 \(π^*(a|s)\) 是行為策略 \(\hat π_β\) 上的 ζ-safe policy improvement，即，滿足 \(J(π^*,M)\ge J(\hat π_β, M)-\zeta\) 的機率為 1 - δ， ζ 由下式給出：
  • 【沒編號的公式，一大串，很嚇人】
  • ζ 的表示式由兩項組成：
    • 第一項表示，由於 M hat 和 M 之間的不匹配（也稱為抽樣誤差 sampling error），而導致的 M 中策略效能的下降。第二項表示，由於經驗 MDP M hat 中的 CQL，而導致的策略效能的提高。
    • 針對 CQL Q 函式最佳化 π 後，得到的策略 π* 比行為策略 \(\hat π_β\) 好，如果我們適當選擇 α 值；當取樣誤差較小，也就是 |D(s)| 較大時，較小的 α 值就足以保證策略效能的改進。

4 如何實現 CQL

演演算法虛擬碼：

  • 看看如何在 actor-critic 和 Q-learning 上使用 CQL。
  • 虛擬碼見 Algorithm 1 ，與傳統 actor-critic 和 Q-learning 的區別，用紅色標出了。
  • （第 3 步）使用 CQL 框架中的 CQL(H) 或一般的 CQL(R)，替代希望最小化的 Bellman error，作為訓練 Q 函式 \(Q_θ\) 的梯度下降目標（θ 是神經網路引數）。
    • 不像之前的 offline RL 方法 [30, 59, 54, 34] ，CQL 不需要策略約束（policy constraint），因此不需要擬合一個額外的 behavior policy estimator（行為策略估計器）。
  • （第 4 步）對於 actor-critic 框架，還需訓練一個策略 πφ。

Implementation details：

  • 聲稱，對於連續控制，只需在 SAC（soft actor-critic）[19] 上增加 20 行程式碼；對離散控制，則是 QR-DQN [8] 的 20 行程式碼。
  • 對 gym 和離散控制，tradeoff factor α 固定為附錄 F 中所述的恆定值；對於其他領域，α 透過拉格朗日雙梯度下降法（Lagrangian dual gradient descent）自動調整。
  • 我們使用 SAC 的預設超引數，但策略的學習率是從 {3e-5、1e-4、3e-4} 中選擇的，並且小於或等於 Q 函式（？），這是由定理 3.3 決定的。
  • 詳細內容見 Appendix F。

本章 review 了 offline RL 和 off-policy evaluation 的工作，更多內容詳見 Appendix E。

Off-policy evaluation (OPE)：

  • 早期工作 [51, 49, 52] 先收集 Monte-Carlo returns，再在 Monte-Carlo returns 中使用 per-action importance sampling，來獲得 OPE return 的估計。
  • 近期工作 [36, 17, 40, 60] 透過某種動態規劃（dynamic programming）[34]，直接估計狀態分佈的 importance ratios（重要性比率），使用 marginalized importance sampling（邊際重要性取樣）。這通常比 per-action importance sampling 方差更小，但期望值會有 bias。
    • 由於使用 DP，因此它們可能會受到 OOD 動作的影響 [34, 17, 20, 40]。
    • 相比之下，CQL 中的 regularizer 因其 gap-expanding 行為，而明確解決了 OOD 行為的影響，並獲得了保守的 value 估計。

Offline RL：

  • 先前研究試圖解決 learned policy 的 action distribution 與 behavior policy 偏離的問題，去限制 learned policy 與 behavior policy 接近，例如透過 KL-divergence [27, 59, 48, 54]、Wasserstein 距離 [59] 或 MMD [30] 來衡量。然後，在貝爾曼策略更新（Bellman backup）中，只使用從該被限制的策略中取樣的行動，或使用值懲罰（value penalty）。
    • 對 unobserved actions，SPIBB [33, 41] 使用 Q-learning 演演算法中的 behavior policy 進行 bootstrap。
  • 大多數這種方法，都需要單獨估計一個 behavior policy 模型 πβ(a|s) [15, 30, 59, 27, 54, 55]，因此，受限於準確估計未知 behavior policy 的能力 [42]；如果從多個來源收集資料 [34]，去估計 behavior policy 可能尤為複雜。
    • 相比之下，CQL 無需估計 behavior policy。
  • 先前研究已經探索了某些形式的 Q-function penalties [23, 58]，但僅限於 standard online RL setting with demonstrations。
    • Luo 等人 [38] 透過在 state-space 上強制執行一個 linear extrapolation property，學習了一個 conservatively-extrapolated value function，然後，學習動力學模型（dynamics model），從而獲得 goal-reaching tasks 的策略。
    • Kakade 和 Langford [28] 提出了 CPI 演演算法，在 online RL 中保守地改進策略。
  • 其他先前的研究，會估計某種不確定性（uncertainty），以確定 Q 值預測的可信度 [30, 3, 34]，通常使用 online RL exploration 中的不確定性估計技術 [47, 26, 46, 7]。
    • 由於 offline RL [34] 對不確定性估計的保真度（fidelity）要求很高，因此，這些方法在 offline RL [15, 30, 34] 中一般表現不佳。
  • Robust MDP [24, 50, 56, 44] 一直是 offline RL 中流行的 theoretical abstraction，但在 policy improvement 上往往非常保守。
    • 由於 CQL 不會低估所有 state-action tuple 的 Q value，因此 CQL 不會那麼保守。
  • 關於 high confidence policy improvement 的研究 [57]，為策略改進提供了安全保證，但往往也比較保守。
    • 定理 3.4 所示的 CQL backup 的 gap-expanding 特性，與 gap-increasing Bellman backup operators [6, 37] 如何在 online RL 中對 estimation error 更 robust 有關。

理論結果：

  • 我們的理論結果（定理 3.5、3.6）與之前 safe policy improvement 的工作有關 [33, 50]。
  • 與 Laroche 等人的定理 1 和 2 [33] 比較，發現相似的 quadratic dependence on the horizon，和一個 inverse square-root dependence on the counts。
  • 我們的 bound 比 Petrik 等人[50]的 ∞-norm（無窮範數）bound 有所改進。

6 experiment

baselines：

  • 使用 policy constraint（限制與 behavior policy 離得不太遠）的先前 offline RL 方法：BEAR [30] 和 BRAC [59]。
  • SAC [19]，一個 off-policy actor-critic method 的 offline RL 版本。
  • behavioral cloning (BC)。

實驗環境與結果：

  • Gym domains：
    • offline datasets 分為 “-random” “-expert” “-medium”。當只使用單一種類的 dataset 時，CQL 只比其他方法厲害一點點（baselines 使用了 [12] 的 performance 報告）；但當多個 datasets 一起使用時，甚至能 outperform 一到兩倍。
  • Adroit tasks：
    • Adroit [53] 是 D4RL [12] 中最複雜的任務，使用有限的 human demonstrations，控制一個 24-DoF 的機器手。
    • 任務過於複雜，先前的 offline RL 方法都會掛掉，behavior cloning（BC）表現最好。
    • CQL outperform 了 BC，是其他 offline RL 方法的 2-9 倍。
  • CQL(ρ) 其中 \(\rho=\hat\pi^{k-1}\) 在一部分任務上 outperform 了 CQL(H)，兩個 CQL 方法的方差都比 baselines 更好。
  • AntMaze：
    • MuJoco Ant robot，D4RL 中只提供 suboptimal 資料。
    • 先前方法只能應對最簡單的 U-maze，但 CQL 可以走一些更復雜的。
  • Kitchen tasks：
    • Franka kitchen domain [18] from D4RL [14]，控制一個 9-DoF robot，按順序操作各種物體（microwave, kettle, ...），達到指定的終態；對於每個終態要求的物體，只有一個 episode 結束時的 spare 0 1 reward，代表該物體是否達到終態（？）
    • 包含 1. 從 dataset 裡組合 trajectory 片段，2. 精確的 long-horizon 控制，3. 處理人類的遠端指令。
    • CQL outperforms 所有 baseline，成功率高達 40+%。
  • Offline RL on Atari games：
    • offline, image-based Atari games [5]。
    • 與 REM [3] 和 QRDQN [8] 在五個 Atari tasks (Pong, Breakout, Qbert, Seaquest and Asterix) 上比較，（因為這些實驗已經被 [3] 做過了）
    • 使用了 Agarwal et al. [3] 的 evaluation protocol，包含兩種資料：(1) online DQN agent 觀察到的前 20% 樣本組成（大概是訓練過程的前 20%？）；(2) 僅有 online DQN agent 觀察到的所有樣本的 1% 和 10%（大概是整個訓練過程隨機取 1 ~ 10%）。
    • 對 (1)，與 QR-DQN 和 REM 持平；對 (2)，顯著 outperform，尤其是在只有 1% 資料的條件下。
  • 對 CQL 的分析：
    • 透過計算 CQL 得到的 value function V hat，與真實 discounted return 進行比較，證明我們的 value function 是下限。
      • 計算了 baseline（offline RL）的一些 value function，包括 ① Q-function ensemble（防止 over-estimate 的常用方法） ② BEAR [30] 一種 policy constraint 方法，發現它們 over-estimate 了。
      • 還對公式 1 中的 CQL variant 進行評估，發現公式 2 確實獲得了比公式 1 更緊的下限。
    • Appendix B：跑實驗證明定理 3.4（CQL 的 gap-expanding）。
    • Appendix G： CQL 的 ablation study。

7 discussion

  • 提出了 offline RL 的 CQL 框架：可以學習 Q function 的 lower-bound。
    • CQL 可直接應用於大規模資料集豐富的實際問題：自動駕駛、機器人和軟體系統（如推薦系統）。
  • limitations & future works：
    • 雖然已經證明瞭 CQL 可以在 tabular、線性函式近似、某些非線性函式近似 Q function 的情況下，學習 Q function 的下限，但對 CQL + Deep NN 的嚴格理論分析，仍有待於未來的工作。
    • 此外，offline RL 與標準監督學習方法一樣，容易出現過擬合問題，因此未來工作的另一個重要挑戰是，設計簡單有效的早期停止方法，類似於監督學習中的驗證誤差。

Appendix

https://proceedings.neurips.cc/paper_files/paper/2020/file/0d2b2061826a5df3221116a5085a6052-Supplemental.pdf

  • A. Discussion of CQL Variants - 討論 CQL 的變體：CQL(H) CQL(ρ) CQL(var)。
  • B. Discussion of Gap-Expanding Behavior of CQL Backups - 好像是關於 CQL gap-expanding 的實驗。
  • C. Theorem Proofs - 出現在正文中的定理 3.1 - 3.4 的證明。
  • D. Additional Theoretical Analysis - 進一步的理論分析。
    • D.1 使用 Q function approximation 的 lower-bound 證明。
    • D.2 公式 2 中 arg min α [E_μ Q - E_\(\pi_\beta\) Q] ，如果把 \(\pi_\beta\) 位置選擇別的分佈會怎樣。
    • D.3 公式 2 的 sample-based version（？）
    • D.4 Safe Policy Improvement Guarantee for CQL。
  • E. related work 擴充套件。
  • F. setup 與實驗細節等。
  • G. Ablation Studies。


相關文章