知识卡片
异策略评论家需校正分布
异策略行动者评论家使用行为策略生成转移,却评估另一目标策略。动作概率之比可以校正给定状态下的采样,目标应明示状态以何种访问分布计权。简单把表格 TD 换成共享参数后,异策略采样、自举和函数逼近可能一起导致发散。梯度 TD 的一种办法是最小化投影贝尔曼误差,并额外学习修正项。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- Actor-Critic及变种 9.1.2 离线策略AC方法 · 查看原书依据
离线策略行动者-评论家(Off Policy Actor-Critic,OffPAC)算法使用行为策略β(a|s)来产生采样轨迹,评价家(Critic)通过对这些数据进行学习,采用时序差分法,用近似值函数Qw(s,a)逼近真实值函数Qπ(s,a)。行动者(Actor)也是通过这些数据来对策略参数进行更新的,它采用的是随机梯度上升法。在算法中,针对采样数据的来源(来自于β(a|s)而不是πθ(a|s)),行动者和评论家都使用了重要采样比例来进行调整(假设Qw(s,a)为一个线性近似函数,参数为w)。
参考来源
- 位置:《强化学习》第09章《Actor-Critic及变种》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-018.xhtml#isbn9787302538295_9_1_1_2`)
- 结论依据:原文引入行为分布加权目标、重要采样校正及带梯度修正项的 TDC。
- 原始内容:离线策略行动者-评论家(Off Policy Actor-Critic,OffPAC)算法使用行为策略β(a|s)来产生采样轨迹,评价家(Critic)通过对这些数据进行学习,采用时序差分法,用近似值函数Qw(s,a)逼近真实值函数Qπ(s,a)。行动者(Actor)也是通过这些数据来对策略参数进行更新的,它采用的是随机梯度上升法。在算法中,针对采样数据的来源(来自于β(a|s)而不是πθ(a|s)),行动者和评论家都使用了重要采样比例来进行调整(假设Qw(s,a)为一个线性近似函数,参数为w)。