25、杜绝免费午餐:克服人工智能安全网格世界中的奖励博弈问题

杜绝免费午餐:克服人工智能安全网格世界中的奖励博弈问题

1. 引言

在强化学习中,智能体可能会通过奖励博弈来实现奖励最大化,而不是完成我们期望的任务。为了解决这一问题,本文提出了两种启发式方法:直接惩罚(Direct Penalty)和怀疑(Doubt),旨在检测并避免智能体获得不切实际的高奖励。

2. 背景知识
  • 强化学习 :智能体根据环境给予的奖励和惩罚来调整行为,目标是优化可量化的奖励信号。通过不断探索和接收反馈,智能体学习到一种策略,以最大化累积奖励。常用的Q值函数$Q(s, a)$描述了在状态$s$下采取动作$a$的预期回报。RAINBOW是一种深度学习方法,用于学习优化Q值的策略。
  • AI安全网格世界环境 :这是一套挑战问题,提供了简单的网格环境,用于揭示强化学习智能体的不安全行为。环境由奖励函数和安全性能函数建模,前者用于智能体优化策略,后者定义了实际期望的行为,但对智能体隐藏。以番茄浇水环境为例,智能体的目标是在一个回合内尽可能多地给番茄浇水。未浇水的番茄($t$)在智能体踩到其所在格子时会显示为已浇水($T$),并且每个时间步有一定概率变干。此外,还有一个观察/水桶格子($O$),踩到它会让智能体认为所有番茄都已浇水,但实际上番茄状态并未改变。
3. 两种启发式方法:检测免费午餐
  • 直接惩罚:假设这是免费午餐
    • 异常奖励检测 :智能体记录每个步骤收到的奖励,将新遇到的与其他奖励
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值