在谷歌最新的論文中，研究人員提出了“非政策強(qiáng)化學(xué)習(xí)”算法OPC，它是強(qiáng)化學(xué)習(xí)的一種變體，它能夠評(píng)估哪種機(jī)器學(xué)習(xí)模型將產(chǎn)生最好的結(jié)果。數(shù)據(jù)顯示，OPC比基線機(jī)器學(xué)習(xí)算法有著顯著的提高，更加穩(wěn)健可靠。

在谷歌AI研究團(tuán)隊(duì)一篇新發(fā)表的論文《通過非政策分類進(jìn)行非政策評(píng)估》（Off-PolicyEvaluation via Off-Policy Classification）和博客文章中，他們提出了所稱的“非政策分類”，即OPC（off-policy classification）。它能夠評(píng)估AI的表現(xiàn)，通過將評(píng)估視為一個(gè)分類問題來驅(qū)動(dòng)代理性能。

研究人員認(rèn)為他們的方法是強(qiáng)化學(xué)習(xí)的一種變體，它利用獎(jiǎng)勵(lì)來推動(dòng)軟件政策實(shí)現(xiàn)與圖像輸入?yún)f(xié)同工作這個(gè)目標(biāo)，并擴(kuò)展到包括基于視覺的機(jī)器人抓取在內(nèi)的任務(wù)。

“完全脫離政策強(qiáng)化學(xué)習(xí)是一種變體。代理完全從舊數(shù)據(jù)中學(xué)習(xí)，對(duì)于工程師來說這是很有吸引力的，因?yàn)樗梢栽诓恍枰锢頇C(jī)器人的情況下進(jìn)行模型迭代。”

Robotics at Google（專注機(jī)器學(xué)的的谷歌新團(tuán)隊(duì)）的軟件工程師Alexa Irpan寫道，“完全脫離政策的RL，可以在先前代理收集的同一固定數(shù)據(jù)集上訓(xùn)練多個(gè)模型，然后選擇出最佳的那個(gè)模型。”

但是OPC并不像聽起來那么容易，正如Irpan在論文中所描述的，非政策性強(qiáng)化學(xué)習(xí)可以通過機(jī)器人進(jìn)行人工智能模型培訓(xùn)，但不能進(jìn)行評(píng)估。并且在需要評(píng)估大量模型的方法中，地面實(shí)況評(píng)估通常效率太低。

OPC在假設(shè)任務(wù)狀態(tài)變化方面幾乎沒有隨機(jī)性，同時(shí)假設(shè)代理在實(shí)驗(yàn)結(jié)束時(shí)用“成功或失敗”來解決這個(gè)問題。兩個(gè)假設(shè)中第二個(gè)假設(shè)的二元性質(zhì)，允許為每個(gè)操作分配兩個(gè)分類標(biāo)簽（“有效”表示成功或“災(zāi)難性”表示失?。?/p>

另外，OPC還依賴Q函數(shù)（通過Q學(xué)習(xí)算法學(xué)習(xí)）來估計(jì)行為的未來總回報(bào)。代理商選擇具有最大預(yù)期回報(bào)的行動(dòng)，其績(jī)效通過所選行動(dòng)的有效頻率來衡量（這取決于Q函數(shù)如何正確地將行動(dòng)分類為有效與災(zāi)難性），并以分類準(zhǔn)確性作為非政策評(píng)估分?jǐn)?shù)。

（左圖為基線，右圖為建議的方法之一，SoftOpC）

谷歌AI團(tuán)隊(duì)使用完全非策略強(qiáng)化學(xué)習(xí)對(duì)機(jī)器學(xué)習(xí)策略進(jìn)行了模擬培訓(xùn)，然后使用從以前的實(shí)際數(shù)據(jù)中列出的非策略分?jǐn)?shù)對(duì)其進(jìn)行評(píng)估。

在機(jī)器人抓取任務(wù)時(shí)，他們報(bào)告OPC的一種變體SoftOPC在預(yù)測(cè)最終成功率方面表現(xiàn)最佳。假設(shè)有15種模型（其中7種純粹在模擬中訓(xùn)練）具有不同的穩(wěn)健性，SoftOPC產(chǎn)生的分?jǐn)?shù)與與真正的抓取成功密切相關(guān)，并且相比于基線方法更加穩(wěn)定可靠。

在未來的研究中，研究人員打算用“噪聲”（noisier）和非二進(jìn)制動(dòng)力學(xué)來探索機(jī)器學(xué)習(xí)任務(wù)。“我們認(rèn)為這個(gè)結(jié)果有希望應(yīng)用于許多現(xiàn)實(shí)世界的RL問題，”Irpan在論文結(jié)尾寫道。