摘要：
Act as a reinforcement learning expert. Please do a review for representation learning in RL. Should focus on how to map a trajectory to a latent. 阅读全文
posted @ 2024-02-29 16:10
MoonOut
阅读(298)
评论(1)
推荐(0)
摘要：
将 offline HIM 应用到 PbRL，① 用离线轨迹训练 a=π(s,z) ，② 训练最优 hindsight z* 靠近 z+ 远离 z-。 阅读全文
posted @ 2024-02-27 21:38
MoonOut
阅读(153)
评论(0)
推荐(0)
摘要：
将 offline 训练轨迹中，当前时刻之后发生的事 作为 hindsight，从而训练出 想要达到当前 hindsight 的 action。 阅读全文
posted @ 2024-02-27 21:08
MoonOut
阅读(412)
评论(0)
推荐(0)
摘要：
① sequence: {s, a, R, s, ...}；② 在 s 的 decode 结果上加 MLP 预测 action；③ 给定 return-to-go 作为某种 hindsight。 阅读全文
posted @ 2024-02-27 20:14
MoonOut
阅读(961)
评论(0)
推荐(2)
摘要：
画图代码的存档。 阅读全文
posted @ 2024-02-20 11:29
MoonOut
阅读(612)
评论(0)
推荐(0)
摘要：
Proportional-Integral-Derivative（PID），比例-积分-微分控制。 阅读全文
posted @ 2024-02-17 10:55
MoonOut
阅读(540)
评论(0)
推荐(0)
摘要：
① unlearn：保守 offline RL 训出的 Q function 太小，被 online 的真 reward 量级压制，导致 policy 初始化破坏，性能下降。② 校准：魔改 CQL 惩罚，令 Q_θ ≥ Q_β。 阅读全文
posted @ 2024-02-07 20:14
MoonOut
阅读(258)
评论(0)
推荐(0)
摘要：
在 offline + online buffer 的采样概率，应当与 d^{on}(s,a) / d^{off}(s,a) 成正比（importance sampling）。 阅读全文
posted @ 2024-02-07 14:08
MoonOut
阅读(433)
评论(0)
推荐(1)
摘要：
出分后发布笔记…… 阅读全文
posted @ 2024-02-06 11:02
MoonOut
阅读(824)
评论(0)
推荐(0)
摘要：
出分后发布笔记…… 阅读全文
posted @ 2024-02-06 10:47
MoonOut
阅读(133)
评论(0)
推荐(0)
摘要：
出分后发布笔记…… 阅读全文
posted @ 2024-02-06 10:37
MoonOut
阅读(70)
评论(0)
推荐(0)
摘要：
出分后发布笔记…… 阅读全文
posted @ 2024-02-06 10:37
MoonOut
阅读(97)
评论(0)
推荐(1)
摘要：
采用 policy iteration 框架，① policy evaluation 普通更新 Q function，② policy update 使用 AWR 式更新，③ 前两步的采样数据集都是 offline + online。 阅读全文
posted @ 2024-02-05 21:50
MoonOut
阅读(296)
评论(0)
推荐(1)
摘要：
对于 policy improvement，maximize Q(s, π(s)) ，同时约束 π 与一个 prior policy 的 KL 散度，prior policy 用 advantage 非负的 offline 状态转移计算。 阅读全文
posted @ 2024-01-21 11:26
MoonOut
阅读(200)
评论(0)
推荐(0)
摘要：
OpenReview 检索关键词：ICLR 2024、reinforcement learning、preference、human feedback。 阅读全文
posted @ 2024-01-21 11:17
MoonOut
阅读(663)
评论(0)
推荐(0)
摘要：
因为自己实在是太好忘了💀 所以在博客存档方便查找 阅读全文
posted @ 2024-01-18 19:47
MoonOut
阅读(95)
评论(0)
推荐(0)
摘要：
为了帮助你更好地理解 Nested Partition 算法，我为你生成了一首诗，用比喻的方式描述了这种算法的过程。希望这对你有所帮助。😊 阅读全文
posted @ 2024-01-13 11:06
MoonOut
阅读(155)
评论(1)
推荐(0)
摘要：
如果没有质量更好的第二季，宁愿它就这样停在第一季；已经很好了，已经很完美了。 阅读全文
posted @ 2023-12-17 16:15
MoonOut
阅读(106)
评论(1)
推荐(0)
摘要：
critic loss = ① ID 数据的 TD-error + ② OOD 数据的伪 TD-error，① 对所转移去的 (s',a') 的 uncertainty 进行惩罚，② 对 (s, a_ood) 的 uncertainty 进行惩罚。 阅读全文
posted @ 2023-12-17 15:37
MoonOut
阅读(220)
评论(0)
推荐(0)
摘要：
Query-Policy Misalignment：选择的看似 informative 的 query，实际上可能与 RL agent 的兴趣不一致，因此对 policy learning 帮助很小，最终导致 feedback-efficiency 低下。 阅读全文
posted @ 2023-12-17 15:28
MoonOut
阅读(152)
评论(0)
推荐(0)
摘要：
贡献：提出一种生成非理性（模拟人类）preference 的方法，使用多样化的 preference，评测 PBRL 各环节算法设计（select informative queries、feedback schedule）的效果。 阅读全文
posted @ 2023-11-30 21:21
MoonOut
阅读(267)
评论(0)
推荐(0)
摘要：
非常感谢！去写作业了🙏🏻 阅读全文
posted @ 2023-11-28 15:34
MoonOut
阅读(59)
评论(0)
推荐(0)
摘要：
① 使用 VAE 建模 offline dataset 的 π(a|s)，② 添加一个可以学习的 action 扰动 ξ，③ 用 (s, a=π(s)+ξ, r, s') 做 Q-learning。 阅读全文
posted @ 2023-11-27 21:29
MoonOut
阅读(393)
评论(0)
推荐(0)
摘要：
一篇知乎 TRPO 博客，感觉 idea 讲的很清楚，特来搬运。 阅读全文
posted @ 2023-11-27 15:47
MoonOut
阅读(62)
评论(0)
推荐(0)
摘要：
① 通过 (s,a,r,s',a') 更新 Q function，② 通过 Q 和 V 交替迭代，避免过拟合 s'~p(s'|a) 的随机好 s'，误以为 a 是好 action，③ 通过 AWR 从 advantage 提取 policy。 阅读全文
posted @ 2023-11-25 20:12
MoonOut
阅读(1010)
评论(0)
推荐(0)
摘要：
① 在 actor 最大化 Q advantage 时，纳入一个 behavior cloning loss； ② observation 归一化；③ 让 Q advantage 跟 behavior cloning 的 loss 可比。 阅读全文
posted @ 2023-11-19 17:02
MoonOut
阅读(1106)
评论(0)
推荐(0)
摘要：
感觉讲的非常好，谢谢善良的博主 😊🙏🏻 阅读全文
posted @ 2023-11-16 16:36
MoonOut
阅读(45)
评论(0)
推荐(0)
摘要：
仅仅留下了一些印象，并没有看懂具体算法…… 如果需要重读这篇论文，会 refine 这篇阅读笔记的。 阅读全文
posted @ 2023-11-13 20:40
MoonOut
阅读(609)
评论(0)
推荐(0)
摘要：
发现对于很多任务，（只要给出专家轨迹），将 reward 设为 0 或随机数，也能学出很好 policy，证明这些任务不适合用来评测 reward learning 的性能好坏。 阅读全文
posted @ 2023-11-13 18:11
MoonOut
阅读(718)
评论(0)
推荐(0)
摘要：
① 将 high-confidence 的预测 (σ0, σ1) 标上 pseudo-label；② 将 labeled segment pair 进行时序剪裁，得到更多数据增强的 labeled pair。 阅读全文
posted @ 2023-11-11 20:16
MoonOut
阅读(441)
评论(0)
推荐(1)
摘要：
写伪逆矩阵计算代码，是专业课作业 2333，挑了两个好实现的算法写一下。 阅读全文
posted @ 2023-11-11 12:01
MoonOut
阅读(841)
评论(0)
推荐(0)
摘要：
reward model 对某 (s,a) 的不确定性，由一系列 ensemble reward models 的输出结果方差的度量，直接乘一个超参数，作为 intrinsic reward 的一部分。 阅读全文
posted @ 2023-11-10 17:43
MoonOut
阅读(585)
评论(0)
推荐(3)
摘要：
① 使用熵 intrinsic reward 的 agent pre-training，② 选择尽可能 informative 的 queries 去获取 preference，③ 使用更新后的 reward model 对 replay buffer 进行 relabel。 阅读全文
posted @ 2023-11-09 20:40
MoonOut
阅读(622)
评论(0)
推荐(0)
摘要：
把 OOD 的 Q 函数值拉低，ID 的 Q 函数值拉高，因此倾向于选择原来数据集里有的 ID 的 action。 阅读全文
posted @ 2023-11-07 15:12
MoonOut
阅读(1246)
评论(0)
推荐(3)
摘要：
sup inf ≤ inf sup，证明关键： inf_w f(w,z) 是 f(w0,z) 逐点下界，对于任意 w0。 阅读全文
posted @ 2023-11-07 10:51
MoonOut
阅读(347)
评论(1)
推荐(0)
摘要：
满秩分解的计算方法，居然意外的简单。 阅读全文
posted @ 2023-11-04 17:07
MoonOut
阅读(531)
评论(0)
推荐(0)
摘要：
1. Policy Evaluation 会收敛，因为贝尔曼算子是压缩映射；2. Policy Improvement 有策略性能改进的保证。 阅读全文
posted @ 2023-11-02 10:44
MoonOut
阅读(616)
评论(3)
推荐(0)
摘要：
Cholesky 分解是 LU 分解（三角分解）的特殊形式，n 阶实对称正定矩阵 A = LL^T，其中 L 为下三角；搬运外网的代码，非原创。 阅读全文
posted @ 2023-11-01 14:23
MoonOut
阅读(549)
评论(0)
推荐(0)
摘要：
贝尔曼算子 BV = max[r(s,a) + γV(s')] 是压缩映射，因此 {V, BV, B²V, ...} 是柯西序列，会收敛到 V=BV 的不动点。 阅读全文
posted @ 2023-10-24 09:40
MoonOut
阅读(1186)
评论(0)
推荐(0)
摘要：
代码存档：先写一个 python 的 ssh 连接，再在 ssh 连接里面连 SQL。 阅读全文
posted @ 2023-10-07 21:03
MoonOut
阅读(242)
评论(0)
推荐(0)
浙公网安备 33010602011771号