Playing Atari with Deep Reinforcement Learningを読んだ

Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller
NIPS Deep Learning Workshop 2013
arXiv, pdf

どんなもの？

強化学習の行動価値関数Qの学習にDNNを使用（Deep Q-Networksを提案）．
Arcade Learning Environment (ALE) にて７つのAtari 2600 gamesに対して実験を行った．
７つのうち６つのゲームのスコアで従来の学習手法を上回り，３つのゲームのスコアで人間（エキスパート）を上回った．

先行研究との差分

Q関数をDNNに．
入力はゲーム画面（$84\times84\times4$）．
これまでの手法のような事前の特徴量の設計が不要になった．

技術や手法のキモ

1. ロス関数
   誤差計算の際，目標値に一つ前の反復におけるDNNの予測値を用いる．

2. experience replay mechanism [Lin et al. 1993]
   データの相関や学習の安定のために，過去の経験をメモリー (replay memory) に溜めておき，ランダムに選び学習に使用する．（?）

3. 報酬をゲームに依らず一定に
   ゲームの種類によって報酬は異なるが，それを一定に（ポジティブな報酬は１，ネガティブな報酬は−１に）．

4. 学習時の$\epsilon$
   $\epsilon$-greedy法の$\epsilon$は初めの100万フレームで1から0.1に線形に落としていき，その後は0.1で固定．

5. frame-skipping technique [Bellemare et al. 2013]
   学習の効率化のために$k$フレーム毎の$k$枚の画像を使用して行動を選択（$k=4$，Space Invaders は$k=3$）．

どうやって有効性を検証したか

７種類の Atari 2600 games に対して実験を行い検証．
評価の方法としては，Bellemare et al.[3, 5]で用いられたものを使用．
$\epsilon=0.05$で固定．
表の上側はゲーム毎の平均スコア．ほとんど事前の知識を情報として与えていないが，比較手法を上回っている．
表の下側は異なるアプローチの手法との比較．比較手法はhand-engineeredな物体検出アルゴリズムや，物体のラベルマップを使用しているものの，Space Invadersを除いて提案手法が比較手法を上回っている．

議論はあるか

新たな深層強化学習のモデルを提案した．

次に読むべき論文

DQN をもっと詳しく

• Human Level Control Through Deep Reinforcement Learning

比較手法

• Sarsa
  • The Arcade Learning Environment: An Evaluation Platform for General Agents
• Contingency
  • Investigating Contingency Awareness Using Atari 2600 Games
• HNeat
  • A Neuroevolution Approach to General Atari Game Playing

深層強化学習の動向 / survey of deep reinforcement learningより，DQNの改良版．

• Double DQN
  • Double Q-learning
  • 
    Deep Reinforcement Learning with Double Q-learning
• Dueling DQN
  • Dueling Network Architectures for Deep Reinforcement Learning
• Prioritized Experience Replay
  • Prioritized Experience Replay
• 非同期学習
  • Asynchronous Methods for Deep Reinforcement Learning