Curiosity driven exploration
5 likes6,638 views
2018/02/04 第44回CV勉強会「強化学習論文読み会」発表資料です。”Curiosity-driven Exploration by Self-supervised Prediction”
![[DL輪読会]Understanding Black-box Predictions via Influence Functions](https://cdn.slidesharecdn.com/ss_thumbnails/dlhacksinffunc-170822055634-thumbnail.jpg?width=560&fit=bounds)
![[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets](https://cdn.slidesharecdn.com/ss_thumbnails/20220325okimura-220405024717-thumbnail.jpg?width=560&fit=bounds)
![[DL輪読会] マルチエージェント強化学習と心の理論](https://cdn.slidesharecdn.com/ss_thumbnails/0917imai-211210044729-thumbnail.jpg?width=560&fit=bounds)
![[CV勉強会]Active Object Localization with Deep Reinfocement Learning](https://cdn.slidesharecdn.com/ss_thumbnails/20160204objectdetectionrl-160206032348-thumbnail.jpg?width=560&fit=bounds)
Ad
More Related Content
What's hot (20)
Similar to Curiosity driven exploration (20)
Ad
More from Takuya Minagawa (20)
Ad
Curiosity driven exploration
- 1. CV勉強会「強化学習論文読み会」 Curiosity-driven Exploration by Self- supervised Prediction 2018/02/04 takmin
- 2. 自己紹介 2 テクニカル・ソリューション・アーキテクト 皆川 卓也（みながわ たくや） フリーエンジニア（ビジョン＆ITラボ） 「コンピュータビジョン勉強会＠関東」主催 博士（工学） 略歴： 1999-2003年 日本HP（後にアジレント・テクノロジーへ分社）にて、ITエンジニアとしてシステム構築、プリ セールス、プロジェクトマネジメント、サポート等の業務に従事 2004-2009年 コンピュータビジョンを用いたシステム/アプリ/サービス開発等に従事 2007-2010年 慶應義塾大学大学院 後期博士課程にて、コンピュータビジョンを専攻 単位取得退学後、博士号取得（2014年） 2009年-現在 フリーランスとして、コンピュータビジョンのコンサル/研究/開発等に従事
- 3. 論文紹介 Curiosity-Driven Exploration by Self-Supervised Prediction. Pathak, D.,Agrawal, P., Efros,A.A., & Darrell,T. . (UC Berkeley) ICML2017 強化学習に「好奇心」を埋め込むことで環境の探索を効 率化する 予測がうまくいかないところを積極的に探索 予測は「行動が影響を与える範囲」の特徴に対してのみ行う
- 9. 強化学習の問題点 実際に報酬を得られるような状態というのが稀にしか起 こらないケースが多々ある 例： 迷路内でゴールが見えたら報酬 （ゴールの位置が不明なので、ゴールとエージェントとの距離を報酬 として使えない） 内部的報酬によって探索的を効率的に行う
- 10. 好奇心（Curiosity-driven） 人間は「好奇心」や「モチベーション」によって環境を探索 し、新しい状態を発見する 強化学習における好奇心 予測できない環境に出会った時に大きな報酬を得る 従来手法： 予測と違う結果の中にはエージェントの行動が影響を与えず、 かつエージェントに影響を与えないものが存在 本手法 Self-supervised trainingにより、状態の中からエージェントの行 動と関連のある特徴を学習
- 14. Curiosity-driven Exploration エージェント 環境 ICM 状態： 𝑠𝑡+1 方策：𝜋(𝑠𝑡) 報酬：𝑟𝑡 = 𝑟𝑡 𝑖 + 𝑟𝑡 𝑒 学習 学習
- 15. Curiosity-driven Exploration エージェント 環境 ICM 状態： 𝑠𝑡+1 方策：𝜋(𝑠𝑡+1) 行動：𝑎 𝑡+1 状態： 𝑠𝑡+2 行動：𝑎 𝑡+1
- 16. Intrinsic Curiosity Module (ICM)
- 17. Intrinsic Curiosity Module (ICM) 特徴抽出
- 18. Intrinsic Curiosity Module (ICM) 行動𝑎 𝑡から次 の状態𝑠𝑡+1を 予測
- 19. Intrinsic Curiosity Module (ICM) 予測誤差 ＝内部報酬
- 20. Intrinsic Curiosity Module (ICM) 状態𝑠𝑡 、𝑠𝑡+1から 行動𝑎 𝑡を推定
- 21. Intrinsic Curiosity Module (ICM) 行動𝑎 𝑡や状態 𝑠𝑡+1を推定するた めに有効な特徴 が学習される エージェントの行動に影 響する特徴のみ学習
- 22. 学習 方策 𝜋、Forward Model、Inverse Modelの各パラメータを最適化 𝜃𝐼 𝜃 𝑝 𝜃 𝐹 min 𝜃 𝑝,𝜃𝐼,𝜃 𝐹 −𝜆𝔼 𝜋 𝑠 𝑡;𝜃 𝑝 𝑡 𝑟𝑡 + 1 − 𝛽 𝐿𝐼 ො𝑎 𝑡, 𝑎 𝑡; 𝜃𝐼 + 𝛽𝐿 𝐹 𝜑 𝑠𝑡+1 , ො𝜑 𝑠𝑡+1 ; 𝜃 𝐹
- 23. 学習 報酬（内部+外部）の和を最大にするよう方策 𝜋のパラメータ 𝜃 𝑝を学習 𝜃𝐼 𝜃 𝑝 𝜃 𝐹 min 𝜃 𝑝,𝜃𝐼,𝜃 𝐹 −𝜆𝔼 𝜋 𝑠 𝑡;𝜃 𝑝 𝑡 𝑟𝑡 + 1 − 𝛽 𝐿𝐼 ො𝑎 𝑡, 𝑎 𝑡; 𝜃𝐼 + 𝛽𝐿 𝐹 𝜑 𝑠𝑡+1 , ො𝜑 𝑠𝑡+1 ; 𝜃 𝐹 𝑟𝑡 = 𝑟𝑡 𝑖 + 𝑟𝑡 𝑒
- 24. min 𝜃 𝑝,𝜃𝐼,𝜃 𝐹 −𝜆𝔼 𝜋 𝑠 𝑡;𝜃 𝑝 𝑡 𝑟𝑡 + 1 − 𝛽 𝐿𝐼 ො𝑎 𝑡, 𝑎 𝑡; 𝜃𝐼 + 𝛽𝐿 𝐹 𝜑 𝑠𝑡+1 , ො𝜑 𝑠𝑡+1 ; 𝜃 𝐹 学習 状態𝑠𝑡と𝑠𝑡+1から行動𝑎 𝑡を推定するようパラメータ 𝜃𝐼を学習 𝜃𝐼 𝜃 𝑝 𝜃 𝐹 𝑎 𝑡が離散値を取る時𝑔はSoftmax関数、 𝐿𝐼はCross Entropy ො𝑎 𝑡 = 𝑔 𝑠𝑡, 𝑠𝑡+1; 𝜃𝐼
- 25. min 𝜃 𝑝,𝜃𝐼,𝜃 𝐹 −𝜆𝔼 𝜋 𝑠 𝑡;𝜃 𝑝 𝑡 𝑟𝑡 + 1 − 𝛽 𝐿𝐼 ො𝑎 𝑡, 𝑎 𝑡; 𝜃𝐼 + 𝛽𝐿 𝐹 𝜑 𝑠𝑡+1 , ො𝜑 𝑠𝑡+1 ; 𝜃 𝐹 学習 状態𝑠𝑡と行動𝑎 𝑡から次の状態𝑠𝑡+1を予測できるようForward Model のパラメータ 𝜃 𝐹を学習 𝜃𝐼 𝜃 𝑝 𝜃 𝐹 ො𝜑 𝑠𝑡+1 = 𝑓 𝜑 𝑠𝑡 , 𝑎 𝑡; 𝜃 𝐹 𝐿 𝐹 = 1 2 𝜑 𝑠𝑡+1 − ො𝜑 𝑠𝑡+1 2 2
- 26. 実験 ビデオゲーム（VizDoom、Super Mario Bros）で実験 RGB画像を42x42のグレースケールへ変換 状態 𝑠𝑡は現フレームと過去3フレームを合わせた状態で保持 ベースアルゴリズムとしてA3Cを使用し、エージェントを20 workersを用い て学習 4 convolution layers + LSTM (256 unit) 4 convolution layers 2 fully connected layers 2 fully connected layers
- 27. 実験1: VizDoom 3Dの迷路を”move forward”、”move left”、”move right”、”no action”の４つの行動を使って攻略 エージェントがゴールに到達するか2100 time steps経過 したら終了 ゴール地点を見つけたら+1の報酬、それ以外は0 (報酬 が疎) 入力画面 入力画面（ノイズあり）
- 28. 実験1: VizDoom Pre-trainを(a)のマップでのみ行い、(b)のマップでテスト 青いドットの地点はランダムなエージェント発生地点 （Denseなケース）
- 29. ICMの性能評価
- 31. 既存手法との比較 ”Sparse”なケースで、内部報酬モデルを採用する既存手 法と性能比較 Houthooft, R., Chen, X., Duan,Y., Schulman, J., De Turck, F., & Abbeel, P. (2016). VIME:Variational Information Maximizing Exploration. In Neural Information Processing Systems (NIPS).
- 34. 実験2: Super Mario Bros ゲームの４レベルのうち、最初の１レベルのみpre-train に使用 １４種類の行動 Up, Down, Left, Right,A, B ボタンとレバーの同時押し含む ボタンを押す長さも影響 学習は内部報酬のみ使用 Level-1 Level-2
- 35. 内部報酬のみを与えた場合の探索範囲 Level 1でPre-trainした結果をLevel 2、3へ適用 Level 2 ビジュアルがLevel 1と異なるため、Fine-tuningが有効 Level 3 ビジュアルがLevel 1と一緒のためAs-isでもそれなりの性能 ある地点から難易度が上がるが、Fine-tuningした際、その地 点の付近の特徴を学習済みのために、その地点で内部報酬 が働かなくなり、As-isよりも性能が低くなってしまう