強化学習における好奇⼼ 東京⼤学 ⼤学院⼯学系研究科 技術経営戦略学専攻 今井 翔太 Email:[email protected] Twitter：えるエル@ImAI_Eruel

本資料について nこのスライドは以前，別の場所（speaker deck）で公開していた同名の資料を修正して 改めて公開したものです n当時とは⾃⾝の知識，置かれた状況ともにアップデートがあったため，⼀部記述が 異なる部分や，追加されたスライドがあります 2

スライドの図など n本資料における図は基本的に論⽂中のものを引⽤しています n論⽂中以外の場所から引⽤した場合にはリンクを貼る等しています 3

⾃⼰紹介 今井 翔太（Shota Imai） n所属：東京⼤学 松尾研究室 n研究分野：強化学習、マルチエージェント強化学習， ゲームAI n最近の活動など - 深層強化学習サマースクール，⾼専AIサマースクール講師 - Sutton著『Reinforcement Learning』翻訳 - メディア記事執筆 - ゲームAIに関する書籍の執筆 • Shota Imai | The University of Tokyo 4 Twitter：えるエル@lmAI_Eruel

⽬次 n強化学習・深層強化学習の基礎 n報酬がスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 5

⽬次 n強化学習・深層強化学習の基礎 n報酬がスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 6

強化学習 ⽤語 1 簡単に出てくる⽤語のみ解説します nエージェント - ⾏動の主体 n環境 - エージェントが⾏動を実⾏して試⾏錯誤を⾏い - 報酬を受け取る場所 n⾏動(Action) - 環境内のエージェントの⾏動 n状態(State) - エージェントが環境から受け取る観測 n報酬(Reward) - 環境内での⾏動に対し環境から与えられる評価値． - 複数⾏動の結果得る報酬和の最⼤化が強化学習の⽬的 7

強化学習 ⽤語 2 n軌道(Trajectory) - 環境における状態，⾏動，報酬の列 n⽅策(Policy) - 状態の⼊⼒に対して⾏動を返す．強化学習における学習対象 • 決定論的⽅策：() = • 確率的⽅策：(|) = [|] n価値関数(Value function) - ある状態や⾏動に対する，将来的な報酬和を考慮した評価値 n遷移確率 - ある状態! で⾏動! を⾏った場合にある状態!"# に遷移する確率P[!"# |! , ! ] 8

主な深層強化学習アルゴリズム 資料中に登場するいくつかの基本的な深層強化学習アルゴリズム について簡単に解説 nDQN系統のアルゴリズム - DQN - DDQN - Dueling Network n分散深層強化学習 - A3C - Golira n⽅策更新の安定化⼿法 - TRPO - PPO 9

DQN系統のアルゴリズム 本資料で，⽐較アルゴリズムとして出てくるのは以下 nDQN(Deep-Q-Network) - 最初の深層強化学習アルゴリズム - Q値を出⼒する深層ニューラルネットを学習 - 過去の経験を貯めるExperience Replayや損失関数の教師信号を出⼒するTarget Networkを 導⼊ nDDQN(Double DQN) - DQNの損失関数で，ターゲットで使う⾏動価値評価を⾏うネットワークと，評価する⾏動価値 の⾏動を選択するネットワークを分離 nDueling Network - ⾏動価値関数には，⾏動による影響を受けない部分が含まれるため分離 - ⾏動による影響が⼤きいアドバンテージ関数と⾏動が関係ない状態価値関数に分ける 10

分散型深層強化学習 nA3C(Asynchronous Advantage Actor-Critic) - 複数エージェントで探索を⾏い，⾮同期に勾配情報をparameter serverに送り，本命の⽅策を - 更新 - ⽅策と価値関数評価のNN出⼒を分けたActor-Criticアルゴリズム - 価値関数は複数ステップ先を考慮した更新を⾏う - CPUで効率的な学習可 nGorila（General Reinforcement Learning Architecture） - Experience Replayに経験を集めるActor，ネットワークのパラメータ情報を保持するParameter Server，勾配を計算するLearnerで構成 - 複数のゲームでDQNより遥かに⾼速に⾼パフォーマンス 11

⽅策更新の安定化⼿法 ⽅策更新の際，場合によって突然⼤幅に偏った⽅向に 更新されることを防ぐため，⽅策更 新の範囲に制約を設けたアルゴリズム nTRPO(Trust Region Policy Optimization) - ⽅策の⼤幅な更新を防ぐため，ニューラルネットの パラメータ更新に制約を加える - 更新前と更新後のパラメータのKLダイバージェンスの値が以下（信頼区間 Trust Region）に なるよう制約 nPPO(Proximal Policy Optimization) - TRPOは実装が複雑であり，アルゴリズムのアーキテクチャによっては適応不可なので， 制約条件を改善 - 更新前と更新後のパラメータの⽐を⽅策更新量に応じてクリッピングすることで，⽅策の更新 を抑える 12

ベンチマーク紹介 n強化学習の論⽂でよく⽤いられるベンチマークを紹介 nここでは特に，好奇⼼による強化学習アルゴリズムのベンチマークとして ⽤いられているものを紹介 13

Atari2600 nAtari社による57個のゲーム nゲームの種類は，ブロック崩しから探検 ゲームまで様々 n好奇⼼による探索⼿法のベンチマークとしては特にMontezumaʼs Revengeという ゲームが使⽤される（後述） 14

マリオ nみなさんお馴染み，我らがスーパーマリオ n⼿軽な横スクロールのゲームということで，主に初代がベンチマークとして使われる 15

物体制御タスク (Continuous Control) n強化学習の論⽂ではお馴染み，４⾜歩⾏の物体や⼈間型の物体などを強化学習で制御 するタスク n物体の各部位（⼿⾜関節など）を適切に動かして制御 n各部位の⾏動空間（出⼒）は連続 16

VizDoom n少々難しめの迷路探索ゲーム nマップ全体を観測できる⼀般的な２次元迷路課題とは違い，エージェントの視点が １⼈称視点 17

Montezumaʼs Revenge nAtari2600のゲーム n最初の深層強化学習⼿法であるDQNでは0点しかとれず，強化学習における最難タスク n主⼈公がクソ弱い n⾮常に広⼤な空間（しかも障害物，敵まみれ）で探索を⾏うため，報酬獲得が極めて 困難 18 この分野の主要ベンチマークであるた め，少し詳しく紹介

Montezumaʼs Revenge 広⼤な探索空間 マップ内の⼀部屋 マップ全体２３部屋 参考：https://medium.com/@awjuliani/on-solving-montezumas-revenge- 2146d83f0bc3 19

Montezumaʼs Revenge 弱すぎる主⼈公 1 マリオ モンテズマ 落 下 落 下 グシャ！ ⾼所からの落下で も⼤丈夫 低所から の落下で も死亡 20

Montezumaʼs Revenge 弱すぎる主⼈公 2 マリオのジャンプ モンテズマのジャンプ Ø 余裕で敵を⾶び越えられ る Ø 空中のブロックも楽々⾶ び移れる Ø 敵を⾶び越えることすら難しい低空ジャ ンプ Ø タイミングを⾒計らってジャンプしない と激突して即死 Ø ジャンプで⾼台に⾶び移ることは不可能 21

Montezumaʼs Revenge 待ち受ける⼤量の障害物と敵 空中で踊るドクロ達 絶妙にかわしにくい蛇２体 当たれば即死の点滅バリア 突然消える床 22

どれくらい難しい？ 最初の深層強化学習アルゴリズムDQN(Deep-Q-Networkの)Atari2600におけるスコアが 以下 DQNを⽤いた探索ではスコ ア０点（！！）で⼀切攻略 できず 23

⽬次 n強化学習・深層強化学習の基礎 n報酬がスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 24

強化学習における問題 報酬がスパースな環境 n⼀般的な強化学習アルゴリズムでは，最初に環境内の各状態の価値関数を本来の評価値 以外で初期化 n報酬発⾒前のエージェントは，適当でない価値関数を元に⾏動するため，ランダムな探 索をしているに等しい n⼀度報酬を⾒つけてしまえば，学習アルゴリズムにより，各状態の評価に正確な報酬の 値が加えられ，正しい評価値を⽤いた⽅策更新が可能になる →最初の報酬発⾒が重要 それまではランダム探索に頼るしかない 25

実際に強化学習を試して実感 nGrid Worldという，複数マスからなる環境を移動して報酬（ゴール）を⽬指す簡単な タスクを強化学習で解いてみる n以下のサイトで，強化学習の様⼦を視覚的に体験できる https://cs.stanford.edu/people/karpathy/reinforcejs/gridworld_td.html 右下(⻩⾊)が報酬1が与えられるマ ス 最初に報酬を⾒つける前は，明確な⽅向が定まら ず，ランダム探索を続け，偶然な報酬発⾒まで続 ける １度報酬を発⾒すると，各状態の正しい評価値が 更新されていき，探索が⽅向性を持つ 26

報酬がスパースな環境 （イメージ） ※実際はこれより 報酬獲得が難しい ランダム探索で最初の報酬を獲得するのは難しく， いつまでたっても正しい⽅策更新ができない エージェン ト 報酬 27

報酬がスパースな空間における探索 n報酬がスパースな環境で，探索基準なしで報酬に到達することは難しい →外的な報酬に頼らずに，探索の基準を作ることはできないだろうか n⼈間ならどうする？ - （例）：ゲームの広⼤なダンジョン探索で進む⽅向が複数あるとして， デタラメに進む⽅向を決めるか？ NO！：既に進んで⽬的に達しなかったルートは除外し，⾏ったことがないルートを試すこ とを繰り返して⽬的地を⽬指すはず →未知の部分への優先的探索を⾏っている 強化学習のエージェントによる探索でも似たようなことをすればいいのでは？ 28

ゲームダンジョンの探索例 １回 １回 ０回 Ø 複数進⾏⽅向の候補がある Ø 今まで１度⾏ったことがある ⽅向（⻘⾊⽮印）は⽬的地に たどり着かなかったので除外 Ø 今まで⾏ったことがない⽅向 （⾚⾊⽮印）の⽅向を⽬指 す！ ドラゴンクエスト2 ロンダルキアの洞窟 29

好奇⼼による探索 n強化学習のエージェントに未知の部分に対する興味を与えることで，未知の部分への 探索を優先的に⾏うと，報酬にたどり着きやすくなる 未知の部分に対する興味＝ 好奇⼼ n好奇⼼ 珍しい物事，未知の事柄に対する興味 （広辞苑第六版より） 30

好奇⼼による探索のために nエージェントが未知（新規）の状態，つまり訪れたことがない，または少ない状態に 対し優先的に探索を⾏う必要がある n強化学習における「⽅策」は，探索中に， 多くの報酬を与えられた場所，遷移先の 状態の価値が⾼い場所に移動する⾏動を優先的に選択する nランダム探索の段階では，遷移先の価値は未定であるため，報酬の部分をどうにか すれば，未知の部分への探索が進みそう →内発的報酬の導⼊ 31

内発的報酬 n外的な報酬に依存せず，何らかの基準でエージェント⾃⾝が報酬を⽣成する報酬 n外的な報酬に依存せず報酬を設計できるため，報酬が少ない環境においても学習可能な ⼿法として注⽬ n内発的報酬を利⽤することで，訪問回数が 少ない状態遷移の価値が⾼く評価され， 優先的に探索を⾏うようになる 32

内発的報酬による探索の例 MBIB-EB カウントによる内発的報酬 nある状態で選択した⾏動aの回数をカウントし，(, )とする n(, )の逆数を内発的報酬として与えると，(, )が少ない (新規性が⾼い)状態遷移の 価値評価が⾼まる 内発的報酬 (, $%&'! )＝4 (, ()*! )＝2 (, +,-. )＝4 (, /0 )＝1 いままであまり選択しなかった⾏動を選択 すると，内発的報酬は， (, !" ) = 1 (, #$%& ) = 2 と⼤きくなり，⾏動価値， * , !" や * , #$%& は⾼く評価される ⼀⽅，今まで何度も選択した⾏動を選択す ると，内発的報酬は， (, '()* ) = (, +,-.& ) = 2 と⼩さくなり，⾏動価値， * , '()* や * , +,-.& は低く評価される 33

カウントによる内発的報酬の問題点 n現実的には，実際の強化学習タスクでカウントベースの内発的報酬を⽤いた⼿法を適⽤ するのは困難 Ｗｈｙ？ →状態候補が莫⼤すぎるため n状態候補が多すぎる環境で１つ１つの状態をカウントしても，ほとんどの状態のカウン トが0に近くなり，カウントの意味をなさない 次章以降は，様々なタスクに適⽤可能な, 好奇⼼/内発的報酬による探索の最新研究を紹介していきます 34

⽬次 n強化学習・深層強化学習の基礎 n報酬がスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 35

環境から得る情報量を⽤いた内発的報酬 VIME: Variational Information Maximizing Exploration[Houthooft+] 論⽂概要 n環境に対する情報量の改善＝好奇⼼とし，情報量が改善されるような状態遷移に対して 多くの内発的報酬を付与 n情報量の改善は，状態遷移前後の環境のダイナミクスの分布間のKLダイバージェンス ※⾮常に数式が多い論⽂．概念的な部分を中⼼に話します 36

情報量の改善による内発的報酬の⽣成⽅式 37 n環境に対する情報量Ｉの改善を内発的報酬とみなす n情報量Iはとある状態+ における遷移確率の分布と， + から+,- に遷移した 後の分布のKLダイバージェンス（確率分布間の距離）で表す 記号 p = {! , ! , . . . , " }:時刻までの状態と⾏動による遷移の列 p" ：時刻tにおける状態 p" ：時刻tでとった⾏動 p "#! " , " ; ：" で⾏動" を選択したとき状態"#! に遷移する確率．θでパラメトライズ 情報量改善の式 内発的報酬そのも の

遷移確率の分布とKLダイバージェンス (|ξ! , a" , s"#$ ) (|ξ! ) ⾏動+ ⾏動前の遷移確率は ⾚⾊の分布 ⾏動& によって状態&/0 に遷移後は⻘⾊の分布に 分布がどれだけ変形したか，状態!"# に遷移してどれだけの情報を得たかを， 確率分布間のKLダイバージェンスで測り，変化分を報酬としている 38

実験 nrllabの物体制御タスクで提案⼿法を評価 nVIMEの⽅策学習アルゴリズムとしては，TRPOを使⽤ n⽐較対象はTRPOそのままと，TRPOに先⾏ 研究で提案された予測誤差による内発的 報酬を導⼊したもの(TRPO+L2) 39

実験結果 TRPOと，TRPO+BNNの予測誤差による内的報酬を⽤いたもの，TRPO にVIMEを適⽤したものを⽐較 Ø 普通のTRPOではまったく学習できていない（⾒えにくいが，グラフ底辺の⻘ ライン） Ø MountainCarではL2もうまくいっているが，他２つではまったく学習できな いない Ø VIMEを適⽤すると，全タスクで学習が安定かつ早く⾼いパフォーマンスに 到達 40

疑似的な状態カウントと内発的報酬を組み合わせた探索 Unifying Count-Based Exploration and Intrinsic Motivation[Bellemare+] 論⽂概要 n既存のカウントベースによる内発的報酬の ⼿法を状態候補が極めて多いタスクに応⽤ するのは難しい n対策として状態の密度推定を⽤いた疑似的な状態カウントを導⼊することで，内発的報 酬を⽣成 41

状態の密度推定を⽤いた疑似カウント n状態の密度を推定することで，状態の疑似カウントが可能となる n以下，必要な記号の定義と疑似カウントの導出 記号 42 ：n回⽬の状態遷移後とある状態xである確率（密度） ←疑似カウントの総数，xの疑 似カウント共に1を加えるだ け ：n回⽬の状態遷移後にxを観測したという前提で，n+1 回⽬ の状態遷移後再びとある状態xを観測する確率 ここで，. を全ての状態の疑似カウントの合計， / (x)を ある 状態の疑似カウントとするすると，先ほどのと ’は， と計算可能． この⼆つの値を⽤いて式変形すると， となり，どうやら，の密度()と全状態の疑似カウントさえ求 めれば， の疑似カウントを計算できるとわかる

密度の計算法 n例えば２×２マスのブロックで，各セルが確率的に選ばれた⾊（⾚，⻘，⻩，緑）で 塗られるとする n何個かブロックを⽣成すると，以下のようになった Ø ここで，9回⽬にまたブロックを⽣成するとして，⻩緑緑緑のブロックが出る 確率は？ →7回⽬に同じ組み合わせが出ている．８回中１回この組み合わせが出ているので 出現確率は直観的に1/8 Ø じゃあ，緑⻩⾚⾚の⽣成確率は？ 同じ組み合わせはなさそうなので，確率0？ →左上のセルに緑が2/8，右上のセルに⻩が3/8，左下のセルに⾚が1/8，右下の セルに⾚が3/8の頻度で発⽣しているので，2/8×3/8×1/8×3/8＝18/4096＝ 0.004が⽣成確率（密度）と⾔えそう 生成回数 左上 右上 左下 右下 1 赤 青 黄 緑 2 赤 青 黄 青 3 黄 黄 緑 赤 4 緑 黄 緑 青 5 赤 青 青 赤 6 緑 青 赤 黄 7 黄 緑 緑 緑 8 青 黄 黄 赤 43

画像からの密度計算 n強化学習で解こうとしているタスクはゲームであることが多く， 観測は⼤抵の場合ゲーム画像そのもの →先ほどの密度の議論をピクセルで構成された画像に拡⼤して みよう n例えば，5×5ピクセルで構成された右のような画像を考える この画像発⽣前にもいくつかの画像を⼊⼿（状態到達）していた として，各位置のピクセルで出現した⾊の回数から先ほどのよう に密度を求める？ →画像の場合は，各ピクセルの発⽣⾊の確率に関係があるため， ピクセル間の関係を考慮する必要あり 44

CTS(Context tree switch)を使⽤して密度推定 n画像の発⽣確率（到達確率，密度）を求めるため，著者が以前提案したCTSという⼿法 を使⽤ あるピクセルの値の発⽣確率を考える． このとき，過去の観測で得た画像から求めた，そのピクセルの周辺ピクセル値が発⽣した ときの注⽬ピクセル値が発⽣した確率をかけ合わせる 先ほどの画像の例だと，⾚枠の⻩⾊のセルの発⽣確率を求めるとき ⾚枠が⻩の確率＝p(⾚枠が⻩|左上が⻘) ×p(⾚枠が⻩|左中央が⻘) ×p(⾚枠が⻩|右上が⻘) ×p(⾚枠が⻩|左が⻩) 45 ※実は論⽂中にこの辺の詳しい計算過程が 書かれていないので，正確かどうかは微妙・・・

実際の密度推定 nここまでの議論から，ゲームから得たピクセル画像に対してCTSによる処理を⾏えば， 疑似カウントに必要なが求められそう nゲームの画像そのままは⼤きすぎるので各ピクセルの表現を3ビットにし，42×42に ダウンスケール n後は，この画像から，密度ρ，ρʼを求めれば，各状態の疑似カウントが計算可能 46

実験 nAtariのゲームのうち，特に難しいゲーム５つを選んで，疑似カウントによる⼿法とDQN を⽐較 n疑似カウントによる内的報酬を使う場合の⽅策学習アルゴリズムはDouble-DQNを 使⽤ n内発的報酬は以下のものを使⽤（β=0.05） 47

CTS-Based Pseudo-counts: 実験結果 Ø ⼤抵のタスクで⾼パフォーマンス Ø 特に，Montezumaʼs Revengeで圧倒的なスコア →この⼿法が発表された当時からつい最近までSOTAだった 48

状態のハッシュ化を⽤いたカウントによる内発的報酬 #Exploration: A Study of Count-Based Exploration for Deep Reinforcement Learning[Haoran+] 論⽂概要 n⾼次元な探索空間でも，疑似カウントではない普通の状態カウントを⽤いた内発 的報酬を得るため，状態をハッシュ化 n状態をハッシュ化する前の良い特徴抽出法についても検討 49

ハッシュを⽤いた状態のカウント n既存の状態カウントを⽤いた⼿法では、状態候補数が多いタスクに対応不可 nそのため，本資料で既に解説した疑似カウントを⽤いた⼿法が有効 nしかし，観測した状態をハッシュ化してカウントすることで，実質的に状態の候補数を 削減することができ、普通のカウント可 50

LSH(Locality Sensitive Hashing) n⽇本語では「局所性鋭敏型ハッシュ」 n「simHash」とも呼ばれ，論⽂内ではこちらの名前で⾔及 n似たようなデータは同じバケットに⼊り，元のデータの種類に対して，バケットの数は ⾮常に少なくなる つまり，データ＝状態とみなし，本来ならカウントベースで捌ききれない量の状態数を 圧縮してカウントしている 51

simHashの計算 1. 次元のランダムなベクトルをガウス分布から⽣成 2. 観測した状態と上記で⽣成したベクトルの内積をとる 3. 内積して得られた値をある基準で0か1に分類 4. ３で得た値にガウス分布からサンプリング した×の⾏列をかけたものをハッシュ 値()とする ：ハッシュの粒度 52

ハッシュ後の状態カウントを⽤いた内的報酬⽣成 n⼤量のデータが⼊ったバケットに分類される状態は報酬を低くし，スカスカなバケット に分類される 状態に対しては多くの報酬を与える n()をとある状態に対するハッシュ値とし，ハッシュ後の値のカウントを( ())と nすると，ある状態に対する内的報酬は以下のように定義可 53 ※βはハイパーパラメータ

ハッシュ前の学習 n⽣のピクセル画像をそのままハッシュにかけるよりも，何らかの⼿段でピクセルから n特徴抽出して得た表現をハッシュにかけた⽅が良さそう →オートエンコーダ（AE）を⽤いて，ピクセル画像から特徴抽出したものを使⽤ 54

実験 n連続制御タスクと，Atariのいくつかのゲームの実験でsimHashを⽤いた⼿法を他の⼿法 と⽐較 nハッシュ前の学習⼿法についても⽐較 n⽅策学習アルゴリズムとしてはTRPOを使⽤ 連続制御タスク MountainCar 55

実験結果/連続制御タスク それなりに良い結果を出しているが、 先⾏研究のVIMEとの差は微妙なところ 56

実験結果/ハッシュ前の学習⼿法の⽐較 nTRPOをそのまま⽤いる nAEを⽤いる nBASSを⽤いる nピクセルそのまま の場合を⽐較 Ø ＡＥで学習して特徴抽出するのが⼀番よさそう Ø BASSを⽤いた場合は，Montezumaʼs Revenge で圧倒的な性能 ※BASS:Atari2600⽤にデザインされた前処理 57

実験結果/Atari2600 Ø simHashを⽤いた場合は⼤抵のゲームで結構なスコアを出せる Ø ただ，ゲーム個別なら他にも良いアルゴリズムがある →例えば，内的報酬の⼿法としては，重要ベンチマークであるMontezumaʼs Revengeで先 ⾏研究の疑似カウントに負けている Ø DQNベースとの差分として，TRPOではexperience replayを使⽤できないのがマイナス 58

観測の識別器を⽤いて推定した密度を内発的報酬とする探索 EX2: Exploration with Exemplar Models for Deep Reinforcement Learning [Fu+] 論⽂概要 n新しい状態は現在までに観測していない明らかに違う状態であるため，あるモデルで他 の状態と簡単に識別可能 n簡単に判別できる状態＝新しい状態とし，観測した状態を他の状態と識別するモデルの 出⼒を⽤いて内発的報酬を⽣成 59

Exemplar Model nあるデータセットX={+, … , }に対し，新たに与えられたデータ- (exemplar)と，過去に 観測したデータを識別できるよう学習された識別器()を⽤意(exemplar modelと呼ぶ) n探索の中で，新たなデータ(観測)が与えられるとき，その観測が容易に今まで観測した 状態と容易に区別できれば，その観測は新しいと考える nExemplar modelの出⼒により観測状態の密度を推定し，内発的報酬として利⽤ 60

最適な識別器と密度 状態が離散の場合 n最適な識別器は以下の⽬的関数を最⼤化することで導出 上式から，以下が最適な識別器となる 式変形から識別器の出⼒を⽤い，以下の式で密度を表す x=x*の場 合 このPを-logp(s)など置いて，以下のような形で内的報酬とし て利⽤ ← が簡単に他の状態区別できる（到達数が少な い） 場合，Dの出⼒が1に近くなる(密度⼩) 61

最適な識別器と密度 状態が連続の場合 n状態が連続の場合，.∗ (∗)→∞となり， → 1に収束してしまう nこのとき，(.∗ ∗ )(∗)とすればすべてのに対し，以下の⽐例関係は保たれる(＊は畳み 込み) δにノイズqを加えて平滑化したとき，Dは以下のようになる 62

使⽤する識別器 n 識別器Dとしてはニューラルネットを⽤いる n EX2のアーキテクチャとして以下の⼆つの枠組みを提案 63 識別器を複数⽤意し，複数 のx*をバッチ処理する場合 中間層は共有し，出⼒層で識別 器を分ける 潜在変数を⽤い，単⼀の識別器 で，全てのx*の識別を⾏う場合

実験評価 n提案⼿法の有効性を評価するため，以下のベンチマークで評価 - 単純な2次元迷路タスク:2D Maze - 物体制御タスク：SwimmerGather, SparseHalfCheetah - 観測が第三者視点のAtariゲーム:Freeway, Frostbite, Venture - 観測が⼀⼈称視点の探索:VizDoom n⽐較⼿法 - 提案⼿法の２モデル:k-exemplar - ⼀般的な⽅策学習⼿法：TRPO - カーネル密度推定による報酬：KDE - ハッシュによる状態カウント:Hashing - 情報量の改善による内的報酬：VIME 64

実験結果 Ø Atariでは，全体的に⾼パフォーマンス Ø VizDoom(DoomMyWayHome)では，他⼿法 を⼤きく超える結果 65

EX2による密度推定 2D Mazeで正しい密度推定ができているか確認 EX2による密度推定 実験における実際の密度 EX2により，実際の密度に近い密度推定ができている 66

まったく報酬が与えられない環境における探索 (ICLR2019 Accepted) Large-Scale Study of Curiosity-Driven Learning [Burda, Edwards, Pathak+] 論⽂概要 n様々なゲームの強化学習で「外的な報酬がまったくない場合にどれくらいパフォーマン スを発揮できるかを検討した論⽂ nVAEなどを⽤いた画像からの特徴抽出や学習の様々な⼯夫を⽤い，内発的報酬のみで複数 ゲームで⾼パフォーマンスを確認 67

予測誤差による内的報酬⽣成 n観測0 と，その時選択する⾏動0 から，次の観測01+ がどうなるか予測するモデル (0, 0)を考える（順モデル） nモデルの出⼒と実際に0 で0 を選択した場合の次の観測01+ を⽤いて⼆乗誤差を計算し， NNを学習 n既に観測した遷移は予測精度が⾼くなり（⼆乗誤差が⼩さくなる），観測が少ない遷移 は予測精度が低くなる（⼆乗誤差が⼤きい） 68

観測からの表現獲得 n環境から得られる⽣の観測でなく，Φ ()によって，タスク攻略のためにより良い表現 を得られるか議論 nこの表現は，以下の３つの要素を満たすことが望ましい - stable:特徴抽出器は学習と共に変化するため， 得られる表現も変化．この変化は最⼩限にす る - compact：低次元で，⽣の観測の不必要な部分は無視できる - sufficient：得た表現は重要な情報を全て含む 69

様々な表現獲得法 nPixel: 観測画像をそのまま表現として使⽤する nRandom Features(RF): ランダムに初期化したニューラルネットなどに観測を⼊⼒して得た出⼒ nVariational Auto Encoders(VAE): VAEによって低次元の潜在変数zを得る nInverse Dynamics Features(IDF): とある状態! と遷移先の状態!"# から間の⾏動! を出⼒するモデルを⽤い，特徴抽出器Φを学習 70

内的報酬のみによる学習のための様々な⼯夫 内的報酬のみから学習するため，以下の⼯夫を加える n⽅策学習アルゴリズム：安定した⽅策改善アルゴリズムであるPPOを使⽤ n報酬の正規化：報酬を安定化させるため，標準偏差で報酬を割って正規化 nアドバンテージの正規化：PPOでバッチ処理を⾏う場合のアドバンテージ関数を 正規化 n観測の正規化：環境を10000ステップランダム探索して得た観測の平均と標偏偏差で，学 習中の観測を正規化 n複数アクターによる探索：学習中には128個のアクターを同じ環境で並列に動かし，学習 ⽤のデータを収集 n獲得表現の正規化：ニューラルネットによる特徴抽出の際に，バッチ正規化を使⽤ nエピソード終端の変更：ゲーム内のエージェントの死を⼀つの状態遷移とみなし，エピ ソード継続 →エージェントはゲームのやり直しに戻されるのを避けるため，死ににくくなる 71

実験 今まで議論した表現の獲得や⼯夫を利⽤し，様々なゲームでパフォーマンスを発揮 できるか評価 72

様々な表現を⽤いた強化学習 Atariのいくつかのゲームとスーパーマリオで内的報酬のみが 与えられる強化学習を⾏い，複数の表現獲得法を⽐較 ゲームによって適不適があるが，全体的にVAEとランダムに 初期化したCNNで得た表現を使ったものが⾼パフォーマンス 73

複数の環境で並列処理する場合 マリオで複数の同じ環境を⽤いて並列に探索を⾏ってバッチサイズを増やした場合，並列 環境数でパフォーマンスが変化するかどうか実験 並列環境数を増やすと，パフォーマンスも向上している 74

内的報酬のみで学習したエージェントの汎化性能 マリオの1-1で学習したエージェントを2-1や3-1に転移させてパフォーマン スが発揮できるか確認 Ø 1-1→2-1では転移した場合の パフォーマンスの⽅が，最初から 2-1で学習した場合よりかなり⼤ きい Ø ⼀⽅，1-1→3-1では，転移した場 合にそれほど⼤きいパフォーマン スが発揮できていない 75

２プレイヤーでどちらも内発的報酬で学習した場合 Ø途中までは順調に打ち合ってゲー ム継続時間がのびる Ø論⽂⽈く，途中からエミュレータ がおかしくなったらしい 76

NoisyTV problem nUnity（ゲームエンジン）で作った強化学習環境に，次々と違う映像が映し出されるテレ ビを設置し，内発的報酬による探索をさせてみた →エージェントの動きが⽌まってしまう n理由 - 常に観測がランダム変化することで，予測器の学習が意味をなさず，TVを観測する状態に⾼い 報酬が⽣成されるため n環境内の無意味な情報を無視できる 特徴抽出が必要 77 エージェント視点 壁のTVに映し出される画像が⾼速で切り替わり続ける ↑常に変化 ↑どれだけ学習 しても予測でき ない

Noisy TVを置いた環境で実験 nテレビをオフにした状態とオンにした場合の パフォーマンスを⽐較 テレビをオンにすると途中から まったく学習できていない 78

⾃分に関係あるものだけに注⽬した好奇⼼による探索 Curiosity-driven Exploration by Self-supervised Prediction [Pathak+] 論⽂概要 nエージェントの⾏動に関係があるもののみに注⽬するため特徴抽出を⾏い，予測誤差に より内発的報酬を⽣成 n特徴抽出のため順モデルと逆モデルを組み合わせた予測を⾏って報酬を⽣成する ICM(Intrinsic Curiosity Module)を提案 79

エージェントによる意味のある観測 エージェントの観測には以下のものが含まれる (1)エージェントに影響を与え，エージェント によってコントロールできるもの →マリオ本体 (2)エージェントに影響を与えるが，エージェ ントが直接的にコントロールできないもの →クリボーなどの敵 (3)エージェントに影響を与えず，エージェン トがコントロールすることもできないもの →画⾯上部のコインなど 80 (3)は無視して，(1)と(2)のみに 注⽬して学習したい！ (1) (3) (2 )

ICMのアーキテクチャ 逆モデル 順モデ ル 内的報酬⽣成 Ø 状態& と次の状態 &/0 の特徴を獲得 Ø ２つの特徴から間 の⾏動を予測 →良い特徴抽出が できるφを学習 Φ(& )と& を⼊⼒し， 次の状態の予測値 / (&/0)を出⼒ 81

逆モデル nある状態0 と次の状態01+ を特徴量抽出器に通し，特徴量(0),(01+)を取得 n上記の特徴量を⼊⼒とし，状態間で⾏われた⾏動の予測値7 を出⼒ n教師信号となる実際の⾏動を⽤い，これらのモデルを学習 →Φは，⾏動予測に重要な部分（状態の中でエージェントに関係ある部分）に注⽬した 特徴を抽出するように 82

順モデル nΦと⾏動0 を⽤いて， 次の状態を予測 nΦは逆モデルで学習した 特徴抽出器を使⽤ nここで出⼒される 8 が，ある 状態に対する「予測」を表す 83

内的報酬の⽣成 n順モデルで⽣成出⼒した 8 と，実際の状態から特徴抽出したΦの⼆乗誤差により，予測 誤差を計算 n順モデルは予測誤差を最⼩化するように学習 n学習していない状態＝未観測の状態に対しては予測誤差が⼤きくなる →この予測誤差を報酬として利⽤すると，新しい状態への探索が促進される 84 損失関数

実験/VizDoom VizDoomを⽤い，テスト環境での報酬獲得の難易度を調整しつつ 迷路探索課題を⾏う Ø Train Mapで⼀切の外部報 酬なしに事前学習を⾏う Ø Test Mapでは，報酬の獲得 難易度を調整するため， エージェントの発⽣地点 （⻘点）を変える Ø ゴールに到達した場合に外 部報酬+1それ以外は0 以下の設定で，エージェントのスタート地点を変更する (a)報酬が多い場合(dense)：⻘点のどこか (b)報酬がスパースな場合(sparse)：Room13 ゴールまで270ステップ (c)報酬が極めてスパースな場合(very sparse):Room17 ゴールまで350 ステップ 85

実験結果/VizDoom Ø 普通のA3Cでは，報酬がスパースになるだけで パフォーマンスが⼤幅に低下 Ø 提案⼿法（オレンジ）は，いずれの設定でも⾼いパフォーマンスを 維持 86

実験/ノイズ⼊りの環境 n本⼿法の強みである「⾃分に関係のあるもの」の特徴抽出をできているか どうか評価 nVizDoomのゲーム画⾯のうち，40%がエージェントにコントロール できないノイズで構成される →提案⼿法は，特徴抽出のによりノイズに対してロバストであるはず ノイズが⼊ったゲーム画⾯ 87

結果/ノイズ⼊りの環境 特徴抽出をせず，単なるピクセル画像から学習した場合 より，提案⼿法で特徴抽出をした⽅が⾼パフォーマンス 88

実験/マリオ攻略 nスーパーマリオブラザーズ（初代）を，提案⼿法でどこまで攻略できるか実験 nここでは，提案⼿法でエージェントが汎⽤的なスキルを獲得できるかどうかも検討 n⼀つのステージで学習したエージェントが他のステージでも通⽤するか試した 89

マリオ攻略/実験結果 Level-1→Level-2 Level-2のみで学習すると， fine-tuningほどの性能はでない Level-1で学習した モデルをそのまま使 ⽤ まったく攻略できな い Ø Level1で学習したモデルをそのまま使うと，まったく性能がでない →Level1とLevel2のステージは外観の違いが⼤きいため Ø 後述のLevel-3の議論にもあるが，ステージ構造⾃体は問題ではない fine-tuningで 劇的に改善 90

Level1→Level2 91 論⽂中では，ステージ構造の問題ではなく，ステージ背景に問題が あるのではないかとしている（fine-tuningで容易に改善) Level-1：外部の明るいステージ Level-2:地中で真っ暗 Level-1 Level-2

マリオ攻略/実験結果 Level-1→Level-3 Level-1のモデルをそ のまま使ってもそこ そこ攻略できている Level-3のみの学習だと，まったく 性能が出ない Ø Level-3の⽅がLevel-2より難しいはずなのに，なぜfine-tuningなしで⾼パフォーマンス？ →Level-1とLevel-3はステージの外観が似ているため！！ Ø ステージ構造は似ていないが，転移ができる fine-tuningで は性能が悪化 92

Level1→Level3 なぜうまくいく？ ステージ背景が似ている(構造は似てない) どちらも外部の明るいステージ Level-1 Level-3 93

ランダム初期化したネットワークの蒸留と 予測誤差による内発的報酬 EXPLORATION BY RANDOM NETWORK DISTILLATION [Burda,Edwards+] 論⽂概要 n状態を⼊⼒する⼆つのネットワークとして，ランダムに初期化したネットワークと， このネットワークの出⼒を真似るよう蒸留するネットワークを⽤意 n両⽅のネットワークの出⼒の誤差を内発的報酬とし，新しい状態に対して探索を促進 nRL⼿法として初めてMontezuma’s Revengeで⼈間を超えるスコア 94

本⼿法で利⽤したいニューラルネットの特性 1. 単純に学習が不⾜している 2. 出⼒が確率的である（先ほど紹介したNoisy TV問題） 3. モデルがよくない 4. ネットワーク内の最適化プロセスがよくない １を利⽤すると，今まで散々悩んできた未知の状態の 評価がうまくいくのでは？ また，ニューラルネットは似た⼊⼒に対しては似た出⼒をするため，状態が⾼次元でも状 態の近さを考慮した 評価が可能 →この論⽂のアイディア 95

Random Network Distillationによる内発的報酬⽣成 n ⼆つのネットワーク，ターゲットネットワーク，予測ネットワークを⽤意 n 両ネットワークに，評価したい状態を⼊⼒ n 予測ネットはターゲットの出⼒を真似るよう学習を⾏い，両出⼒の⼆乗誤差が内的報酬 となる n →新しく観測した状態に⼤しては内発的報酬が⼤きくなる 96 ゲーム 画像! ゲーム 画像! ターゲットネットワーク →出⼒を真似される側 ランダムに初期化する 予測ネットワーク →出⼒をマネする側 ターゲットの出⼒を真似できる よう学習（蒸留）を⾏う 同じ構造のモデル 蒸留 ターゲット ネットの出⼒ 予測ネットの 出⼒ 外部報酬etと⾜し合わせ，最終的な報酬とする 予測誤差による内的報酬

その他⼯夫点 n外部報酬はエピソードの終端で得るepisodicな報酬に，探索報酬はエピソードの⾮終端で も得られるnon-episodicな報酬とする n外部報酬と内的報酬の組み合わせ 外部報酬による価値関数 2 と，内的報酬による価値関数- はそれぞれ別の割引報酬率で評価 し⾜し合わせる = 2 + - 97

実験 nAtari2600のゲームで⽐較⼿法とPPO，RNDを改良したもの(Dynamics)を⽐較 ※Dynamics:RNDの予測誤差として⽤いる⼆つのネットワークの観測時間を⼀つ ずらした（stとst+1）もの n論⽂中では⾊々状況を変えて実験を⾏っているが，ここではAtariベンチマークで最強モ デルのRNDを⽤い，他の⼿法との⽐較を⾏った実験のみを考慮 98

実験結果 Ø Montezumaʼs Revengeでは，SOTAだった疑似カウントを⽤いた⼿法(先ほど解説し た論⽂Unifying Count-Based Exploration and Intrinsic Motivation)を超えてSOTA Ø RND以外でも結構強いが，他半分では疑似カウントの⽅が強い 99

RLがMontezumaʼs Revengeで 初めて⼈間の平均スコアを超える ↑DQNの悲惨なスコアか ら，3年でここまで発展 100

しかし・・・ RND発表からわずか数週間後，Uberの研究 者からとんでもない発表が Montezumaʼs Revengeにおける現最強アルゴリズム Go-Exploreの登場！！ 101

ほんの 三週間程度 102

３ 年 ３週間 103

過去に保存した良い状態に戻ってスタート地点とする 探索⼿法 Go-Explore: a New Approach for Hard-Exploration Problems [Ecoffet+] 論⽂概要 n報酬がスパースな環境で，従来の好奇⼼による探索とはまったく違う探索⼿法を提案 n学習を２段階に分け，第１段階で状態の記憶とスタート地点の変更による探索，第２段 階でデモ軌道ロバストな⽅策を獲得 nMontezumaʼs RevengeでRNDを超えSOTA n今まで紹介してきた好奇⼼/内発的報酬に よる探索⼿法とは異なる枠組みの⼿法 104

従来の好奇⼼による探索⼿法の問題点 Ø 緑⾊の部分が内的報酬を獲得できる場所（新規状態） Ø 渦の中⼼ほど，深い探索が必要 Ø ⼀度は内的報酬に従って，深い状態まで探索を⾏っても，何らかの理由 で 別エリアの探索に切り替わった場合を考える Ø そうすると，既に探索済みの場所（⽩い部分）は内的報酬が得られない ため，深い状態に到達するための探索が難しくなる 105

Go-Explore/⼤まかな⼿法の概要 ２つのフェーズに分けてエージェントの学習を⾏う nフェーズ１：⽬標状態到達まで探索 - 探索をしながら，特定の状態”Cell”をArchiveに追加 - 探索のスタート時にArchiveからランダムにCellを選択し, その状態まで移動 - その状態からスタートしてランダム探索(繰り返し) nフェーズ２：⽅策のロバスト化 - フェーズ１で得られた軌道のうち⽬標に到達した軌道を 通るような⽅策を模倣学習で獲得 106

フェーズ１ 状態の保存と始点変更による探索 ⽬標状態に到達できる軌道を得るため，タスクの⽬標状態到達まで， 以下の⼿順を繰り返す 1. あるCellからエージェントをスタートさせる．このCellはArchiveから選択 (Go back to it) 2. 移動⽤の⽅策でCellまで移動する 3. Cellからランダム探索し，特定の状態，または軌道に遭遇したとき，Archiveに状態と 軌道を保存（Explore from it） 4. 探索を終了し，1に戻る 107

Cellの選択 n⼀般的な強化学習⼿法と異なり，特定のスタートからではなく，Archiveから選択した Cellから探索開始 nCellの選択は基本的にランダム 予備実験では，ヒューリスティックで選択確率を操作してパフォーマンスの向上が⾒られ たとの報告あり 108

Cellの表現 n⽣のゲーム画像は⾼次元で扱いにくいため，Archiveに保存する際に画像を変換 n似たCellは同じとみなし，明らかに違うCellは別ものとするため，画像のダウンスケール とピクセルの表現の縮⼩を⾏う 109 厳密には違う状 態だが，抽象化 し，同じCellとみ なす http://www.cs.uwyo.edu/~jeffclune/share/2018_12_07_NeurIPS_DeepRLWorkshop_Go _Explore.pdf

選択したCellからの探索 nランダム探索なので，ニューラルネットは⽤いない nつまり，フェーズ1では⽅策の学習は⼀切⾏わない nただ，⽅策の設計次第では，パフォーマンスを向上させ得ることが⽰唆されている 110

Archiveの更新 以下の⼆つの基準で，Archiveを更新する 1. 未知のCellに遭遇した場合 2. Archiveに保存されている軌道より短い軌道で同等以上の報酬，同じ軌道でも⾼い報酬の 獲得が可能な場合 以下の要素とともに，CellをArchiveに保存 (1)Cellへ到達するまでの軌道 (2)Cell到達時の環境の状態 (3)保存軌道で得た総報酬 (4)軌道の⻑さ 111

フェーズ２/模倣学習による⽅策のロバスト化 nフェーズ１で⾒つけた理想的な軌道（デモンストレーション）に近い動きができる⽅策 を獲得する nテスト環境における状態遷移が確率的であってもデモと同じような動きができる⽅策を 獲得可能 nフェーズ１で⾒つけた軌道は余分な⾏動を含むこともあるため，このフェーズで除去 112

フェーズ２の詳細 n模倣学習のアルゴリズムとしてはBackwards Imitation Learningを使⽤ nオリジナルの軌道と異なっていても，獲得 スコアが上であればそちらを採⽤ →オリジナルの軌道は⽬標状態に到達さえすれば途中経過は気にしないため，余分な⾏動 も含んでいる（例えばストックが０にならない程度の死，無意味なバック） nフェーズ１とは異なり，このフェーズではニューラルネットを使⽤して⽅策を学習 113

Backwards Imitation Learning n デモンストレーションの軌道の中で，終 端から始点に向かって数ステップずつ学 習する 1. 終端からスタート 2. kステップ分，始点⽅向へ戻る 3. 戻った先から，スタート地点となった終 端まで⾏動する このときの動きで得た軌道のスコア≧オリ ジナル軌道のスコアとなるまで3を実⾏ 4. 終端をずらして1に戻る nこれらの⼿順を，元のデモンストレーショ ンの始点にたどり着くまで実⾏ 114

実験 Montezumaʼs Revenge nドメイン知識ありの場合と，ドメイン知識なしの場合に分けて，Go-Exploreを Montezumaʼs Revengeで評価 nドメイン知識としては，現在の部屋番号，カギの情報などを使⽤ nデフォルトではAtariはゲーム挙動が決定論的であるがテスト時には確率的にしたい →以下の仕様を追加 no-ops:スタート地点におけるランダム時間停⽌ sticky-action:確率的に同じ⾏動を繰り返す ※本資料ではMontezumaの実験のみ解説 115

実験/ドメイン知識なし ヒューマンエキスパートの平均スコアが34900に対しGo-Exploreは43763!! 116

実験/ドメイン知識あり ドメイン 知識なし レベル3以降はどのレベルの難易度もレベル３と⼀緒であるためレベル３を 必ずクリアできるドメイン知識ありの場合は，法外なスコアを獲得可 117

余談/Treasure room curse nMontezumaʼs Revengeの最後の部屋では，スコアUPのアイテムを複数⼊⼿可能 n本来，アイテムをいくつか取得すると，⾃動的に主⼈公が落下して、次のレベルに進む が，ある操作により，永遠にアイテム取得可 nGo-Exploreは学習中にこのバグを発⾒ 118

その他好奇⼼による探索⼿法 ここまで紹介してきた⼿法とはちょっと違った形で好奇⼼/内的報酬を利⽤している強化学 習⼿法を追加で軽めに紹介します 119

⼈間の⽣体反応から学び，危険に対する応答を内発的報酬とす る⼿法(ICLR2019 Accepted) Visceral Machines: Risk-Aversion in Reinforcement Learning with Intrinsic Physiological Rewards [McDuff+] 論⽂概要 n⼈間は，危険が近づいたとき，⾃律神経の働きによる⽣体反応を元に内発的なフィード バックを得て⾏動選択を⾏っている n運転時の観測画像と，運転者の⽣体反応パルスを⽤いて学習したCNNの出⼒により 内発的報酬を⽣成 n運転タスクで本⼿法を適⽤することで，サンプル効率を改善し，エピソード終了 （衝突）までの時間も上昇 120

⼈間の⽣体反応を元にした内発的報⽣成 n外的な報酬と，⼈間の⽣体反応を教師データとして学習したCNNの出⼒ から得た内発的報酬 ̃ を重みづけし，最終的な報酬とする nCNNの学習には，実際に⼈間の運転⼿を運転させて得た運転者視点画像 と，⽣体パルスを使⽤ (⼀種の模倣学習といえる) 121

実験 n実験環境として，⾃動運転シミュレータAirSimを使⽤ nベースアルゴリズムとしてはDQNを使⽤ n重みλが1の場合は外的報酬のみによるただのDQN，0の場合は内発的報酬のみに頼った 学習となる 運転の各要素の制御タスクに おけるパフォーマンス 以下に⻑くエピソードを続け られるか（衝突したら終了） 122

観測した状態と過去に観測した状態からの離れ具合で内発的報酬 を⽣成(ICLR2019 Accepted) EPISODIC CURIOSITY THROUGH REACHABILITY [Savinov, Raichuk, Marinier+] 論⽂概要 n観測の記憶機構を導⼊し，現在の観測と過去の観測を⽐較することで，内的報酬を⽣成 n埋め込みにより観測の表現を獲得し，現在の状態と過去の状態の観測がステップ数的に 離れていれば⼤きな内発的報酬を⽣成 123

提案⼿法の構成 nReachability network(R-net) 状態を埋め込むEmbedding networkと埋め込み表現から状態間ステップ数を計り，閾値と⽐較して0か1を出⼒す るComparator networkで構成 nMemory buffer 過去に⼤きな内発的報酬を得た状態表現を保存する nReachability buffer R-netにより，現在の観測とMemory buffer内の全状態を⽐較した結果を保存 nReward bonus estimation module Rechability bufferの要素全てを⼊⼒とし，内発的報酬を決定 124

実験と結果 VizDoomで，報酬が密な状態，スパースな状態，とてもスパースな状態に分け，提案⼿法 とPPO，PPO+ICMを⽐較 最終到達パフォーマンス的にはICMと同じだが，収束スピードが極めて速い 125

壊れやすい物体操作のための優しい操作を内発的報酬により 獲得 Learning Gentle Object Manipulation with Curiosity-Driven Deep Reinforcement Learning [Huang, Zambelli] 論⽂概要 nロボットによる壊れやすい物体操作には，強すぎる操作をした場合の罰則を与える必要 があるが，これだけでは局所解に陥る nこれを回避するため，ペナルティに加えて，環境に対する予測誤差の内発的報酬と， ペナルティに対する予測誤差の内的報酬を導⼊ https://sites.google.com/view/gentlemanipulation 126

複数の内発的報酬の導⼊ nImpact Penelty: 時刻でエージェントが与えた衝撃に対する罰則報酬 nDeynamics-based surprise 複数ネットワークに⾏動と状態を⼊⼒し，各ネットワークの出⼒の分散が⼤きければ ⼤きな報酬を⽣成 nPenalty-based surprise Dynamicsの場合と同じく，複数ネットワークに状態と⾏動を⼊⼒した場合の出⼒の分散を 元に報酬⽣成 最終的な報酬はタスク報酬と これらの組み合わせ 学習⼿法としてはD4PGを使⽤ 127

実験と結果 nタスクの外部報酬，強い操作に対するペナルティ，2つの予測誤差による内発的報酬の 組み合わせを変えてみたパフォーマンスの違い n上が物体圧縮操作，下は壊れやすいブロック操作 128 ペナルティの予測誤差による内発的報酬が⼀番 効いており，両タスクで⾼いパフォーマンス

⽬次 n強化学習・深層強化学習の基礎 n報酬なスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 129

参考⽂献，サイト，資料 1 強化学習・深層強化学習の基礎 nRichard S Sutton and Andrew G Barto. Reinforcement learning: An introduction, volume 1. Bradford, 1998. nDavid Silver, Aja Huang, Chris J Maddison, Arthur Guez, Laurent Sifre, George Van Den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, et al. Mastering the game of go with deep neural networks and tree search. Nature, 529(7587):484‒489, 2016. nHado Van Hasselt, Arthur Guez, and David Silver. Deep reinforcement learning with double q-learning. In AAAI, volume 2, page 5. Phoenix, AZ, 2016. nZiyu Wang, Nando de Freitas, and Marc Lanctot. Dueling network architectures for deep reinforcement learning. In ICML, 2016. nVolodymyr Mnih, Adria Puigdomenech Badia, Mehdi Mirza, Alex Graves, Timothy Lillicrap, Tim Harley, David Silver, and Koray Kavukcuoglu. Asynchronous methods for deep reinforcement learning. In ICML, pages 1928‒1937, 2016. nArun Nair, Praveen Srinivasan, Sam Blackwell, Cagdas Alcicek, Rory Fearon, Alessandro De Maria, Vedavyas Panneershelvam, Mustafa Suleyman, Charles Beattie, Stig Petersen, et al. Massively parallel methods for deep reinforcement learning. arXiv preprint arXiv:1507.04296, 2015. nJ. Schulman, S. Levine, P. Moritz, M. I. Jordan, and P. Abbeel, “Trust region policy optimization”, in ICML, 2015. nJohn Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford, and Oleg Klimov. Proximal policy optimization algorithms. CoRR, abs/1707.06347, 2017. nY. Duan, X. Chen, R. Houthooft, J. Schulman, and P. Abbeel, “Benchmarking deep reinforcement learning for continous control”, in ICML, 2016. nBellemare, Marc G, Naddaf, Yavar, Veness, Joel, and Bowling, Michael. The arcade learning environment 130

参考⽂献，サイト，資料 2 報酬なスパースな環境と好奇⼼による探索 n Greg Brockman, Vicki Cheung, Ludwig Pettersson, Jonas Schneider, John Schulman, Jie Tang, and Wojciech Zaremba. Openai gym, 2016. n Unity ML-agents. https://github.com/Unity-Technologies/ml-agents. n S. P. Singh, A. G. Barto, and N. Chentanez. Intrinsically motivated reinforcement learning. In NIPS, 2005. n Strehl, A. L. and Littman, M. L. (2008). An analysis of model-based interval estimation for Markov decision processes. Journal of Computer and System Sciences, 74(8):1309 ‒ 1331. 論⽂紹介 環境から得る情報量を⽤いた内発的報酬 n R. Houthooft, X. Chen, Y. Duan, J. Schulman, F. De Turck, and P. Abbeel. Vime: Variational information maximizing exploration. In NIPS, 2016. n Stadie, B. C., Levine, S., and Abbeel, P. (2015). Incentivizing exploration in reinforcement learning with deep predictive models. arXiv preprint arXiv:1507.00814. 疑似的な状態カウントと内発的報酬を組み合わせた探索 n Marc Bellemare, Sriram Srinivasan, Georg Ostrovski, Tom Schaul, David Saxton, and Remi Munos. Unifying count-based exploration and intrinsic motivation. In NIPS, pages 1471‒1479, 2016. n Bellemare, M., Veness, J., and Talvitie, E. (2014). Skip context tree switching. In Proceedings of the 31st International Conference on Machine Learning, pages 1458‒1466. 状態のハッシュ化を⽤いたカウントによる内発的報酬 n Haoran Tang, Rein Houthooft, Davis Foote, Adam Stooke, OpenAI Xi Chen, Yan Duan, John Schulman, Filip DeTurck, and Pieter Abbeel. # exploration: A study of count-based exploration for deep reinforcement learning. In NIPS, pages 2750‒2759, 2017. n Charikar, Moses S. Similarity estimation techniques from rounding algorithms. In Proceedings of the 34th Annual ACM Symposium on Theory of Computing (STOC), pp. 380‒388, 2002. 131

参考⽂献，サイト，資料 3 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 nJ. Fu, J. D. Co-Reyes, and S. Levine. EX2: Exploration with exemplar models for deep reinforcement learning. NIPS, 2017. まったく報酬が与えられない環境における探索 nYuri Burda, Harri Edwards, Deepak Pathak, Amos Storkey, Trevor Darrell, and Alexei A. Efros. Large-scale study of curiosity-driven learning. In arXiv:1808.04355, 2018. ⾃分に関係あるものだけに注⽬した好奇⼼による探索 nDeepak Pathak, Pulkit Agrawal, Alexei A. Efros, and Trevor Darrell. Curiosity-driven exploration by self- supervised prediction. In ICML, 2017. ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 nYuri Burda, Harrison Edwards, Amos Storkey, and Oleg Klimov. Exploration by random network distillation. arXiv preprint arXiv:1810.12894, 2018. 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 nAdrien Ecoffet, Joost Huizinga, Joel Lehman, Kenneth O Stanley, and Jeff Clune. 2019. Go-Explore: a New Approach for Hard-Exploration Problems. arXiv preprint arXiv:1901.10995 (2019) nTim Salimans and Richard Chen. Learning montezumaʼs revenge from a single demonstration. arXiv preprint arXiv:1812.03381, 2018. nReinforcement Learning @ NeurIPS2018 https://www.slideshare.net/yukono1/reinforcement-learning- neurips2018 n2018-12-07-NeurIPS-DeepRLWorkshop-Go-Explore http://www.cs.uwyo.edu/~jeffclune/share/2018_12_07_NeurIPS_DeepRLWorkshop_Go_Explore.pdf 132

参考⽂献，サイト，資料 4 その他好奇⼼による探索⼿法 n Nikolay Savinov, Anton Raichuk, Raphael Marinier, Damien Vincent, Marc Pollefeys, Timothy Lillicrap, and Sylvain Gelly. Episodic curiosity through reachability. arXiv preprint arXiv:1810.0227, 2018. n Daniel McDuff and Ashish Kapoor. Visceral Machines: Reinforcement Learning with Intrinsic Rewards that Mimic the Human Nervous System. arXiv preprint arXiv:1805.09975, 2018. n Sandy H. Huang and Martina Zambelli and Jackie Kay and Murilo F. Martins and Yuval Tassa and Patrick M. Pilarski and Raia Hadsell. Learning Gentle Object Manipulation with Curiosity-Driven Deep Reinforcement Learning. arXiv preprint arXiv:1903.08542, 2019 133

⽬次 n強化学習・深層強化学習の基礎 n報酬なスパースな環境と好奇⼼による探索 n論⽂紹介 - 環境から得る情報量を⽤いた内発的報酬 - 疑似的な状態カウントと内発的報酬を組み合わせた探索 - 状態のハッシュ化を⽤いたカウントによる内発的報酬 - 観測の識別器を⽤いて推定した密度を内発的報酬とする探索 - まったく報酬が与えられない環境における探索 - ⾃分に関係あるものだけに注⽬した好奇⼼による探索 - ランダム初期化したネットワークの蒸留と予測誤差による内発的報酬 - 過去に保存した良い状態に戻ってスタート地点とする探索⼿法 - その他好奇⼼による探索⼿法 n参考⽂献 nおまけ/強化学習の勉強資料紹介 134

おまけ 強化学習の学習リソース n参考書 nWeb上で⼊⼿できる学習リソース 135

piqcy本の実装はTensorFlowベースなのに対し，こち らはPytorchベースで解説．網羅度は⾼くなく，古典 的強化学習の話題がほんの少しと，PyTorchによる深 層強化学習アルゴリズムの実装がほとんどを占める． PyTorchを中⼼に使っているのであれば，piqcy本と セットで使うのもあり．後半にはAWSのGPUインス タンス環境構築法や，学習⼿順が載っている． 今から強化学習を始めるならまずはこの⼀冊．知識 の網羅度も極めて⾼く，古典的強化学習から深層強 化学習までPythonコード付きで解説．後半はトップ カンファレンスに出てくるような論⽂の内容を交え， 発展的な話題．著者のTwitterアカウント名から 「piqcy本」，表紙から「緑本」などと呼ばれたり． ⼊⾨者向けの参考書 n⼊⾨者にオススメの書籍 機械学習スタートアップシリーズ 1ZUIPOで学ぶ強化学習 ⼊⾨から実践まで 久保 隆宏 著 つくりながら学ぶ深層強化学習 d1Z5PSDIによる実践プログラミングd 株式会社電通国際情報サービス ⼩川雄太郎 136

ここで紹介する本では⼀番薄く，いかにも「速習」 だが，⾒た⽬とタイトルに反してガチガチ理論重視 の本．学習の初期で⼿を出す本ではなく，ある程度 強化学習に慣れてから，理論的な部分を追求したい ⼈向け．深層強化学習は，後半に訳者により追加執 筆されたものがあり，これはかなりわかりやすい． 強化学習の基礎的な話題から始まるが，⽅策勾配の部分 や，発展的理論などは数学的要素が強く難易度は⾼め． 強化学習の和書としてはたぶん唯⼀強化学習の⼯学応⽤ についても多く書かれており，ロボット，医療応⽤など 様々．深層強化学習は後半の⽅にAlphaGoやDQN系統の アルゴリズムが少し．各章は独⽴しているため，学びた い所を拾い読みがよい．初期の版は誤植がかなり多いの で注意 難しめの参考書 これからの強化学習 牧野 貴樹 澁⾕ ⻑史他 速習 強化学習 ʕ基礎理論とアルゴリズムʕ $TBCB4[FQFTWBSJ ⼩⼭⽥ 創哲他 137

洋書だが，英語は平易でわかりやすい．実装はPytorchを使⽤．かなり実装重視の本であり，数式による 解説よりは，実装上の解説がほとんど．実装は著者のオリジナルライブラリ「ptan」を使⽤することに なる．ptanでエージェントの探索部分をほとんどラップしてしまっているため，個⼈的にはあまりよく ない仕様．ただ，本に書いてある通りの操作で⾮常に簡単にDQNからDDPG，進化戦略のアルゴリズム までPyTorchで実装可能．とにかく多くのアルゴリズムを動かしてみたい⼈向け． 洋書 %FFQ3FJOGPSDFNFOU-FBSOJOH)BOET0O"QQMZNPEFSO3-NFUIPET XJUIEFFQ2 OFUXPSLT WBMVFJUFSBUJPO QPMJDZHSBEJFOUT 5310 "MQIB(P;FSPBOENPSF .BYJN-BQBO 138

おまけ/Web上のリソース1 分野別 n強化学習本のバイブル，通称”Sutton本”の第２版ドラフト - ２版は現在我々が翻訳中 http://incompleteideas.net/book/bookdraft2018jan1.pdf n先ほど紹介した『速習 強化学習』の原著Web版 https://sites.ualberta.ca/~szepesva/papers/RLAlgsInMDPs.pdf n深層強化学習全体の解説 深層強化学習アルゴリズムの紹介からベンチマーク，転移学習などの発展的な話題まで 扱った教科書『An Introduction to Deep Reinforcement Learning 』のドラフト https://arxiv.org/pdf/1811.12560.pdf nDeepMindによる講義動画 DeepMindの⼀流研究者による，強化学習・深層強化学習のみではなく，深層学習の基礎 から⾔語処理，⽣成モデルなどの話題も含めた総合的な講義動画．DeepMindの研究者ら による深層学習研究のアドバイスも随所にあり． https://www.youtube.com/playlist?list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs 139

おまけ/Web上のリソース２ 分野別 nバンディット問題の教科書のドラフト https://tor-lattimore.com/downloads/book/book.pdf n⾃然⾔語処理のための強化学習に関する授業 https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1184/syllabus.html n強化学習の簡単なタスクを視覚的に体験できるサイト https://cs.stanford.edu/people/karpathy/reinforcejs/ n⾮剛体ロボに関するまとめ https://t.co/9nVwalzpE9 n深層強化学習によるゲームプレイまとめ https://arxiv.org/abs/1708.07902 nAIで利⽤される神経科学の知⾒をまとめたDeepMindによるレビュー論⽂ https://deepmind.com/research/publications/neuroscience-inspired-artificial-intelligence/ 140