相关资料

1. 论文链接：Encoding Human Domain Knowledge to Warm Start Reinforcement Learning
2. 代码地址：算法地址ProLoNets

1.研究动机是什么

  在许多强化学习任务中，当面临新的挑战时，智能体往往从“零”开始学习，忽略了许多可以从领域专家那里获得的丰富的现成知识。这些知识可以帮助智能体快速启动学习过程，减少不必要的探索，加速智能体训练，缩短训练时间。

2.主要解决了什么问题

  使用专家知识构造决策树策略来初始化神经网络，通过这种方式对智能体进行指导，起到warm-start的作用；同时，随着训练的进行，决策树会不断生长，增加新知识，最终超过用来初始化的专家知识。

3.所提方法是什么

  作者提出了一种新的强化学习技术，通过人工初始化神经网络权重和结构。将领域知识直接编码进入神经网络决策树，并通过策略梯度更新对该知识进行改进。同时，随着训练的进行，神经网络决策树不断生长，发现新知识，最终超过专家知识。

3.1总体流程

  总体流程如图所示：1.需要提供分层形式的决策规则集合。这些策略是通过简单的用户交互来指定指令的。2.每条规则被转换为网络参数，每条规则的表达式为权重和判断条件为偏差，形成初始化的决策树神经网络。3.利用初始化网络与环境进行交互收集数据，更新网络参数，对知识改进。4.每次迭代更新，检查决策树纯度，当纯度过低，增长树，原来的树节点复制网络参数，新的节点随机初始化参数，形成新的决策树神经网络。重复3-4，直至训练结束。

3.2PROLONET决策树网络

  首先用户需要提供分层形式的决策过程。随后用户的决策过程被转换为神经网络，每条规则由网络权重$\overrightarrow{{\omega }_n}\in W$​和比较值（偏差）$c_n\in C$​​表示。如图传统的决策树和PROLONET。决策节点变成线性层，叶子节点变成动作概率，最终的输出是路径概率加权的叶子之和。

  对于每一个决策节点$D_n$来说，整个网络被表示为$D_n=\sigma \left[\alpha \left({\vec{w}}_n^T\ast \vec{X}-c_n\right)\right]$，其中，$\overrightarrow{X}$是输入数据，为环境状态，$\sigma$是sigmoid函数，$\alpha$是用于抑制决策节点的置信度，对树的置信度越低，决策的不确定性就越大，从而导致更多的探索。${\vec{w}}_n^T\ast \vec{X}-c_n$计算状态是否满足不等式，$\alpha$与$\sigma$进行放缩。$\alpha$值大强调比较器和加权输入之间的差异，往中心反方向移动，概率区分度增大，从而推动树更布尔。$\alpha$值越低，差异向中心方向移动，概率接近0.5，树越平滑，而$\alpha =0$​则产生一致的随机决策 。下面将以Cartpole为例，对文章提出的方法详细解读。Cartpole的状态空间是4维向量{cart position, cart velocity, pole angle, pole velocity}；动作空间是2维向量{left, right}。

3.2.1PROLONET初始化

  现有一条规则：如果小车的位置在中心的右边，向左移动；否则，向右移动，中心为0。用户指明位置是输入4维状态特征的第一个元素。初始化决策节点$D_1$，权重和偏差为$\overrightarrow{w_1}=[1,0,0,0]$，$c_1=0$如Alg1的5-8。接下来的11-13创造一个新的叶节点$\overrightarrow{l_1}=[1,0]$表示向左，$\overrightarrow{l_2}=[0,1]$表示向右。最后，初始化路$Z\left(\overrightarrow{l_1}\right)=D_1$和$\left(\overrightarrow{l_2}\right)=\left(\neg D_1\right)$。由此产生的智能体动作的概率分布是一个softmax函数$\left(D_1\ast \overrightarrow{l_1}+\left(1-D_1\right)\ast \overrightarrow{l_2}\right)$。处理完所有决策节点后，每个节点$D_n$的值表示该条件为TRUE的可能性，$(1-D_n)$为FALSE。有了这些可能性，然后乘出不同路径到所有叶节点的概率。每个叶节点包含了一条路$z\in Z$，这是一组决策节点，应该是TRUE或FALSE，以便达到叶节点$l$，计算每个输出动作的先验权值。例如，在上图中，$z_1=D_1\ast D_2$,$z_3=(1-D_1)\ast D_3$.在叶子节点中，通过将到达的概率乘以在叶节点内的输出的先验权重来确定。在计算每一个叶子的输出后，这些叶子被求和并通过一个softmax函数传递，以提供最终的输出分布。

3.2.2PROLONET推理

  假设小车当前状态为$X=[2,1,0,3]$​​，决策树只有1个决策节点2个叶节点。根据决策节点的公式，在经过第一个节点$D_1$​​之后，$\sigma ([1,0,0,0]\ast [2,1,0,3]-0)=0.88$​​，这意味着“基本是正确的"。这个概率通过各自的路径传播到两个叶子节点，使得网络的输出概率为
$$\begin{gathered} P_{\text{out }}=\overrightarrow{L_1}\left({\sigma }_1\ast {\sigma }_2\right)+\overrightarrow{L_2}\left({\sigma }_1\ast \left(1-{\sigma }_2\right)\right)) \\ =0.88\ast [1,0]+(1-0.88)\ast [0,1])=[0.88,0.12] \end{gathered}$$
因此，智能体以$0.88$的概率选择第一个动作，以$0.12$概率选择第二个动作。

  参照文中的Cartpole启发式算法，绘制了PROLONET网络，如下所示。与作者提供的代码中建立的决策树不同，少1个决策节点和1个叶节点。转换规则如下：if条件语句不等号左用权重$\overrightarrow{{\omega }_n}$表示，对应位置元素为1，其余为0；不等号右用$c_n$表示；若符号为小于，$\overrightarrow{{\omega }_n}$和$c_n$都乘$-1$​.​​

  在实际应用时，每个叶子节点会保存从初试节点到该叶子节点的路$z\in Z$的信息，方便计算$\overrightarrow{L_i}$

3.2.3PROLONET动态增长

  为了使PROLONET体系结构能够在其初始定义的基础上继续增长，作者引入了一个动态增长过程，在Algorithm2和图3中描述了这个过程。初始化之后，PROLONET智能体会维护决策树网络两个副本。第一个是初始化的浅层网络，第二个是动态增长的深层网络，动态增长时，第二个网络每个叶子节点转化为随机初始化决策节点，并随机初始化决策节点的两个新的叶子节点。在每一Episode之后，在浅层和深层的网络上更新网络。更新后，比较浅层的叶子的熵和深层叶子的熵，当较深的叶子比较浅的叶子不均匀时，有选择地加深(第3-7行)。作者认为这种动态增长机制能提高稳定性和平均累积报酬。这会产生更多的参数学习更复杂的策略，但会增加随机性和不确定性，降低智能初始化的效用。由于智能体与环境交互，它依赖于较浅的网络来产生动作，因为较浅的网络代表了人类的领域知识。

  决策树动态增长机制依据ID3，以信息增益为准则来优化决策树。当浅层网络发现了一个局部最小值$l_1=[0.5,0.5]$​，我们希望决策树的决策节点对样本的分类越清晰越好，即纯度越来越高。显然，$l_1=[0.5,0.5]$​不满足要求，对向左向右走模棱两可，需要深化决策树。当深化的网络发现了$l_3=[0.9,0.1]$​和$l_4=[0.1,0.9]$​，对向左向右走划分的十分清晰，此时节点纯度较高。我们用信息熵$H\left(l_i\right)$​​对树的这种特性进行度量。
$$H=\sum plo{g}_{2}p$$
$H$的值越小，则纯度越高，树的分类效果越好。如Algorithm2中8行，浅层的决策树的熵$H\left(l_i\right)>\left(H\left(l_{d1}\right)+H\left(l_{d2}\right)+ϵ\right)$​​，说明深化后树熵减小，信息增益，纯度提高，决策更准确。

4.关键结果及结论是什么

  作者对提出的RL框架进行了两个互补的评估。第一个是具有专家初始化的受控研究。第二个评估是一个用户研究。这里主要介绍第一组评估实验。实验环境为《星际争霸2》(SC2)中宏观和微观战斗以及OpenAl Gym月球登陆器和推车杆环境。对比算法：除了上面所述的具有专家初始化PROLONET，还评估了多层感知器(MLP)和长短期记忆(LSTM) 智能体，带有随机初始化的PROLONET (random PROLONET)，启发式(Heuristic)算法，LOKI框架下训练的IL agent和DJJINN。LOKI代理使用与初始化PROLONET智能体相同的启发式进行监督。DJJINN最初的框架需要一个决策树学习标签数据集，作者进行了修改，允许初始化与手工决策树，为了比较，DJJINN初始化与PROLONET相同。

4.1实验环境及对比算法

4.1.1 Cart Pole

Cart Pole	说明
状态空间	cart position, cart velocity, pole angle, pole velocity
动作空间	left, right

算法	参数设置
PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=2 PROLONET： $\alpha =1$​​ $\epsilon =0.19$​​​​ 决策节点9，叶子节点11
Random PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=2
LOKI	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=2 模仿次数N=200
DJJINN	同 PROLONET
LSTM	PPO ReLU LSTM： 3-layer 4x4 – LSTM(4x4) – 4x2
MLP	PPO ReLU MLP： 3-layer 4x4 – 4x4 – 4x2
Heuristic(规则)

4.1.2 Lunar Lander

Lunar Lander	说明
状态空间	8D:X_position, Y_position, velocity, angle, angular velocity, whether the left leg have touched down, whether the left leg have touched down
动作空间	4D:do nothing, left engine, main engine,right engine

算法	参数设置
PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4 PROLONET： $\alpha =1$ $\epsilon =0.19$ 决策节点14，叶子节点15
Random PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4
LOKI	强化参数： PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4 模仿次数：N=300
DJJINN	同 PROLONET
LSTM	PPO ReLU LSTM： 3-layer 8x8 – LSTM(8x8) – 8x4
MLP	PPO ReLU MLP： 3-layer 8x8 – 8x8 – 8x4
Heuristic(规则)

4.1.3 FindAndDefeatZerglings

FindAndDefeatZerglings	说明
状态空间	37D: allied units 3*{x_position, y_position, health,weapon_cooldown} nearest visible enemy units 5*{x_position, y_position, health,weapon_cooldown, is_baneling}
动作空间	10D:north, east, south, west, attack1, attack2, attack3, attack4, attack5, do nothing for every allied units

算法	参数设置
PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50 PROLONET： $\alpha =1$ $\epsilon =0.19$ 决策节点10，叶子节点11
Random PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50
LOKI	强化参数： PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50 模仿次数：N=500
DJJINN	同 PROLONET
LSTM	PPO ReLU LSTM： 7-layer 37x37 – LSTM(37x37) – 37x37 – 37x37 – 37x37 – 37x37– 37x10
MLP	PPO ReLU MLP： 7-layer 37x37 – 37x37 – 37x37 – 37x37 – 37x37 – 37x37 – 37x10
Heuristic(规则)

4.1.4 SC2LE

SC2LE（神族）	说明
状态空间	联合单位数:36x1向量，其中每个索引对应于一种联合单位类型，值对应于这些单位的数量 等待单位数:如上所述，但用于当前正在生产中且还不存在的单元。 敌方单位数:112x1向量，其中每个索引对应于一种单位类型，值对应于这些类型中有多少是可见的。 玩家状态:9x1向量，玩家状态信息，包括矿物，瓦斯，供应等。
动作空间	如果考虑到每个单位动作数量可以达到数千个。 简单地将动作抽象为44个可用的动作：包括35个建筑和单位生产命令，4个研究命令，5个攻击、防御、收获资源、侦察和什么都不做的命令。

算法	参数设置
PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodes PROLONET： $\alpha =1$ $\epsilon =0.19$ 决策节点9，叶子节点10
Random PROLONET	强化参数： PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodes
LOKI	强化参数： PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodes 模仿次数：N=1000
DJJINN	同 PROLONET
LSTM	LSTM： 7-layer 37x37 – LSTM(37x37) – 37x37 – 37x37 – 37x37 – 37x37– 37x10
MLP	PPO ReLU MLP： 7-layer 193x193 – 193x193 – 193x193 – 193x193 – 193x193 –193x193 – 193x44
Heuristic(规则)

4.2实验结果

cart pole、lunar lander和FindAndDefeatZerglings的架构比较。随着领域复杂性的增加，智能初始化变得越来越重要。

为了评估动态生长和智能初始化的影响，我们进行了消融研究，并将这些实验的结果包括在表1。对于每个N错误智能体，权重、比较器和叶子根据N随机负，每个类别最大为2N。

在《星际争霸2》的AI游戏中获胜率“All Others”包括4.1节中的所有其他智能体模型。

注意最后的策略并不是原始政策的翻版；相反，在整个训练过程中，它们会改变和偏离原来的内容。在下面的图中，比较了检查点模型和原始初始化。x轴对应的是检查点在实验中的距离，y轴对应的是初始化和检查点之间的平均均方误差。由于权重向量、比较器值和叶权值的均方误差可能存在显著差异，因此在y轴上使用对数尺度，以便无论原始值如何，都能清楚地看到趋势。注意，在每25%的训练或agent按照OpenAl Gym标准“解决”了域(推车杆500，月球登陆器200+)后进行检查点，这说明推车杆域的检查点密度更大。

5.创新点在哪里

1. 提出一种在可训练的RL框架中捕获人类领域的专业知识的方法PROLoNETS。
2. 我们将动态知识增长引入到PROLoNETS中，随着时间的推移，使其具有更强的表达能力，超过最初的初始化，并在月球着陆器领域产生两倍的平均回报。

6.有值得阅读的相关文献吗

LOKI：Cheng, C.-A.; Yan, X.; Wagener, N.; and Boots, B. 2018.Fast Policy Learning through Imitation and Reinforcement.arXiv preprint arXiv:1805.10413 .

DJINN：Humbird, K. D.; Peterson, J. L.; and McClarren, R. G. 2018.Deep Neural Network Initialization With Decision Trees.IEEE transactions on neural networks and learning systems .

7.综合评价又如何？

  文章提出了一种新的DRL代理体系结构PROLONETS，它允许智能体的智能初始化。PROLONETS赋予智能体在必要时增长网络容量的能力。PROLONETS允许普通用户初始化，并通过人工指令和RL的混合实现了高性能的策略。首先，该方法直接利用现有专家知识，优于在传统架构上的模仿和强化学习，更像人类学习方式。其次，智能初始化允许深度RL智能体在对随机初始化智能体来说过于复杂的环境中探索和学习，为Fast reinforcement learning提供了一条可用之路。