【强化】sparse reward

最新推荐文章于 2025-07-25 16:23:30 发布

原创最新推荐文章于 2025-07-25 16:23:30 发布 · 90 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#算法

文章探讨了在强化学习中遇到的稀疏奖励问题，并提出了几种解决策略。包括rewardshaping，通过人为设计奖励来引导agent的行为；curiosity，通过增加模型的好奇心来探索环境；curriculumlearning，逐步从简单到复杂的任务进行学习；reversecurriculumgeneration，从目标状态出发简化学习路径；以及hierarchicalreinforcementlearning，通过高层代理分配任务给低层代理来分解复杂任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

https://www.bilibili.com/video/BV1MW411w79n?p=7&vd_source=275b19d02ca629f220713e4de0936247

在很多情景下，做很多action可能都不会得到任何reward，只有在终态才会得到reward，这样对agent的学习是非常不利的，下面提出几种方法解决这种sparse reward的问题。

reward shaping

为了引导agent，人类自主设计一些reward，需要domain knowledge
ex1. 比如，小孩的得分是最终的reward，但是小孩本身在没有任何experience的时候可能更偏向“玩”这个action，而不是“学习”这个action，我们可以人为设计学习的reward为+1，玩的reward为-1，来引导他学习，最后得到更高的成绩

ex2. 游戏中，最后的杀敌次数是最终的reward，我们可以人为的设计，掉血会扣分，捡到补给包会加分；移动加分，静止扣分（不鼓励停在原地，防止苟活）

curiosity

给模型增加好奇心: 不仅仅希望最大化 $r_t$ ，还要加上人为设计的ICM好奇心部分的reward $r_t^i$
在这里插入图片描述
ICM如何设计：S越难预测, reward越大
· network 1在agent学习的时候需要被fix住

但是，难预测的s不代表这样的结果一定是好的。（ex. 游戏中树叶的飘动很难预测，但是不重要）
通过feature extractor，过滤掉不重要的因素。通过另一个network 2 ，把真实和预测的feature representation $ϕ\phi$ 作为输入，来看训出来的action是不是重要的action。

在这里插入图片描述

curriculum learning

给机器的学习做规划，从简单的题目教到难的题目

reverse curriculum generation

在这里插入图片描述

给出一个目标状态 $s_g$
在目标附近找一些类似的 $s_1$
将 $s_1$ 作为trajectory的起点（缩小reward难度）
去掉那些reward很大的（已经学会的）和reward很小的（太难的）
重复

hierarchical reinforcement learning

从high level的agent分配一些任务给下层的agent，不断地分解，让下层的agent去完成子任务

ex1：（哈哈哈哈哈）校长->教授->研究生
如果研究生没有办法实现上层定的目标，那上层也不会得到reward；
如果一开始的愿景是发期刊，但是最后成了YouTuber，那可以把愿景改成成为YouTuber…
在这里插入图片描述
ex2. 黄色（目的地） -> 粉色（上层agent）-> 紫色（下层agent)

这个任务中，把紫色点到目的地（黄色点）的路线，拆成4个子任务，让下层的agent（紫色点）跟着上层agent的愿景（粉色点）走，最终到达目的地（黄色点）。