The Multi-Armed Bandit Problem and Its Solutions

深層学習&ロボティクス勉強会の資料です．
題材としてOpenAI の Robotics チームの研究者である Lilian
Weng さんのブログ (https://lilianweng.github.io/lil-log) を参考にし，資料作成，発表，ディスカッションを行いました．

Transcript

1. deeplab 深層学習&ロボティクス勉強会 The Multi-Armed Bandit Problem and Its Solutions Takehiko Ohkawa, Haruka Kiyohara, Ryosuke Takanami, Fumi Takahashi, Tatsukichi Shibuya, Ryota Marumoto
2. 深層学習&ロボティクス勉強会 deeplabは2019年4月に設立した学生による人工知能研究会である．東大，東工大，早 慶大をはじめとする都内の学部生を中心に20名以上が参加し，2019年度は5.4日に1 回ペース，年間60回を超える勉強会を開催し，人工知能関連分野 (ML, DL, CV, NLP, RL, Robotics, Speech, HCI, CognitiveScience, etc) を探究している． 今回は「深層学習の最新トレンドと強化学習，ロボティックス分野における発展」をテー マとし，勉強会を実施した．題材としてOpenAIのRoboticsチームの研究者であるLilian Wengさんのブログ (https://lilianweng.github.io/lil-log) を参考にし，資料作成，発表， ディスカッションを行った．
3. Exploitation vs Exploration • 日常は非完全情報であふれている． ⇒常に探索と活用のジレンマが存在する． e.g., 近所の好きなレストランの隣に新しいレストランができたら，どっちに行く？ ・好きなレストランに通い続ける: もっと良いレストランを見つける チャンスを逃すかもしれない． ・新しいレストランに行ってみる: もしかしたら，まずい昼食をとる ことになるかもしれない． • 長期的な視点で探索と活用をバランスよく行う必要がある． • 短期的な犠牲の上に長期的な最適化戦略が行われることも． Fig. UC Berkeley AI course slide, lecture 11.
4. What is Multi-Armed Bandit? • 多腕バンディット問題は，探索と活用のジレンマをはらむ古典的な問題設定． e.g., 無限回試行可能なスロットマシンにおいて，獲得報酬の最大化を目指す問題． 毎回スロットを一台選んで賭けをするが，真の勝率をギャンブラーは知らない． • ひとつの可能な選択肢は，大数の法則を使って真の勝率を推定すること． • しかし，無駄が多いのでもっと効率的にできないか？
5. Applications • 推薦システム / 広告配信 e.g., Netflixによる映画のサムネイルの個別最適化 [F. Amat et al., RecSys’18] • ゲームの手選択 e.g., AlphaGoによる囲碁におけるモンテカルロ木探索 [D. Silver et al., Nature’16] • 最適化 / モデル選択 e.g., 文脈を考慮したパラメータ最適化 [A. Krause and C. Ong, NIPS’11]
6. Definition • ベルヌーイ多腕バンディット問題の定式化: • これはマルコフ決定過程において状態 がないものとしてみることができる． • 目標は累積報酬和 の最大化であり， 最適行動の報酬獲得確率は右式で， • ロスは，リグレットと呼ばれ，最適値と実現値の差分で表される．
7. Bandit Strategies • 多腕バンディット問題へのアプローチは，大きく以下の3つに分かれる． • 探索なし： 短期的な報酬最大化を追求する貪欲的手法で，長期的には損をする 可能性もはらんでいる． • 確率的探索: 主に貪欲に報酬最大化を行うが，一定割合のランダムな行動探索を することで探索も行えるようにする． • 効率的探索: 不確実性を定量的に評価し探索の優先順位を決定することで，効率 よく探索を行うことができる．
8. ε-Greedy Algorithm • εの微小な割合でランダムに行動を選択して探索を行い， • それ以外の場合は推定価値関数を基に，価値関数を最大化する行動を選択する． （ここで，推定価値関数は報酬獲得確率として読み替える．） • 価値関数の推定 • 貪欲的な行動選択 ある行動を取って報酬が得られた回数 ある行動を取った回数 報酬獲得確率が最大となる行動選択
9. Upper Confidence Bounds • 報酬は確率的に決定されるので，不確実性が大きい． • 不確実性を考慮した上で，期待報酬の上界を見積もったのがUCB． • 不確実性に依る上界ポテンシャル （UCB） を と置くと，以下の条件を満たす． ① が大きくなるほど は減少する． ②真の価値関数の上界が，推定価値関数とUCBの和で抑えられる． • このとき，効率的な貪欲行動選択は， • では，実際にUCBはどのように構築すれば良いのか？ 真の価値関数の上界を最大化する行動選択 推定価値関数 + 不確実性項(UCB)
10. Hoeffding’s Inequality • 個の[0,1]にスケーリングされた独立同分布のサンプル について， 以下へフディングの不等式が成立する． • 先程のUCBの問題に置き換えると，報酬は確率関数と見なせるので， • 式展開により，UCBを得る． サンプル平均が，分布の真の期待値より一定量だけ大きくなる確率
11. UCB1 • とおくと，UCB1アルゴリズムを得る． • UCBは， • 貪欲的行動選択は，
12. Bayesian UCB • UCB1では分布の形状や観測値のばらつきの大小に関係なく，UCBを決定していた． • しかし，これは分布の形状を事前情報として分かっている場合，非効率になる． • 事前情報を基にUCB項を決定する手法をベイズUCBという． e.g., 報酬が正規分布に従って生成されると分かっている場合， 分散をUCBとした方がより良い近似で上界を求めることができる． Fig. UCL RL course lecture 9’s slides.
13. Thompson Sampling (1/2) • 最適行動を点推定ではなく確率的に求め，確率を基に行動をサンプリングする． 行動方策 ある行動の価値関数が，他のすべての行動の価値関数より大きくなる確率 ある行動が最適な行動である確率から行動をサンプリング
14. Thompson Sampling (2/2) • 特にベルヌーイ分布に従う報酬確率 に対し，推定価値関数 を共役事前 分布のベータ分布で表現することで，ベイズ更新により価値関数を推定していく． • ベータ分布 のパラメタは，以下のように解釈可能． : 報酬が得られたときの回数 : 報酬が得られなかったときの回数 e.g., のとき，不確実性が大きいが，報酬獲得確率は50%． のとき，かなり確からしく， 報酬獲得確率は10%． • 事後分布の推定は解析的でないので，ギブスサンプリングやラプラス近似，ブート ストラップ法などを用いて行う．
15. Case Study • ベルヌーイバンディット問題における，手法の比較 Fig. 報酬獲得確率が {0.0, 0.1, .., 0.9} の10個の選択肢をもつベルヌーイバンディット問題 (左) 時間ステップと累積リグレット (中央) 真の報酬獲得確率と推定報酬獲得確率 (右) 10000ステップの学習において，各行動が選択された回数の割合
16. Summary (revisit: Bandit Strategies) • 多腕バンディット問題へのアプローチは，大きく以下の3つに分かれる． • 探索なし： 短期的な報酬最大化を追求する貪欲的手法で，長期的には損をする 可能性もはらんでいる． • 確率的探索: 主に貪欲に報酬最大化を行うが，一定割合のランダムな行動探索を することで探索も行えるようにする． • 効率的探索: 不確実性を定量的に評価し探索の優先順位を決定することで，効率 よく探索を行うことができる． ⇒ベイズ的手法を取り入れていた．
17. References (1/2) • Lilian Weng. Lil’Log The multi-armed bandit problem and its solutions. https://lilianweng.github.io/lil-log/2018/01/23/the-multi-armed-bandit-problem- and-its-solutions.html • CS229 supplemental lecture notes: Hoeffding’s inequality. • RL Course by David Silver - Lecture 9: Exploration and exploitation． • Olivier Chapelle and Lihong Li. An empirical evaluation of thompson sampling. NeurIPS, 2011. • Daniel Russo et al. A tutorial on Thompson sampling. arXiv, 2017. • Fernando Amat et al. Artwork personalization at Netflix. RecSys, 2018. • David Silver et al. Mastering the game of Go with deep neural networks and tree search. Nature, 2016.
18. References (2/2) • Andreas Krause and Cheng Soon Ong. Contextual gaussian process bandit optimization. NeurIPS, 2011. • 本田淳也，中村篤祥．バンディット問題の理論とアルゴリズム．講談社．2016.