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