1.初めに
本記事では強化学習(Reinforcement Learning)について基本事項と、自分自身が引っかかったポイントを本記事にまとめた。
2.手法
###2-1.全体像
まず、価値ベースと方策ベースの２種類がある。
その上で、
Suttonの強化学習の分類に基づき、
・動的計画法
・TD法
・モンテカルロ法
の３種類に大別している。
体系的に学ぶ場合は、
1.価値反復法 (＊)
2.方策反復法(＊)
3.TD法(＊)
4.モンテカルロ法(＊)
5.Q学習(＊)
6.SARSA(＊)
7.DQN
8.REINFORCE(＊)
9.Actor-Critic(＊)
10.Multi-Step Learning法
11.TD(λ)法
を覚えれば良い。特に、(＊)については数式も覚えておくべきである。
そもそもの強化学習の基礎概念（エージェント、環境、方策など）は、以下のページの解説が参考になる。
強化学習入門 ～これから強化学習を学びたい人のための基礎知識～
日常用語と同じ単語が多く、価値が特に覚えづらいが、
価値：長期的な収益達成確率（将棋で勝つ確率）
と理解するとよい。
価値を算出し、Qテーブルを更新し、方策を更新する、が基本方針。
Qテーブルのわかりやすい説明は以下のリンクに記載あり。
【深層強化学習(DQN)】Q値で分かる深層強化学習
2-2.TD法
・価値ベースの手法。正式名称はTemporal Difference Learning。
・報酬を毎ステップでサンプリング。
・より未来の情報を重要視。結果ができるまでのパターン数が多い（＝道のりが長い、寄り道が多い）ケースに重要。
・より未来の情報を使うほど真の値に近い、という仮定。
・モンテカルロ法のブートストラップ(サンプリング報酬R、状態価値関数Vt(s))からVt+1(s)を計算。
・デメリットとして、初期の価値が学習されにくい。
・行動をとるたびに、予測した報酬と、実際の報酬の差に基づいて価値関数に対する推定を更新する方法。
2-3.モンテカルロ法
・価値ベースの手法
・報酬を毎エピソードでサンプリング。
・一連の行動後、一連の報酬から状態価値関数V(s)、状態行動価値関数Q(s,a)を推定。
・時刻tが有限で終了する（エピソディック、episodic）の時に有効。
・囲碁のように終わりが決まっている場合は使えるが、テトリスのように負けなければ続くゲームは不適。
2-4.Q学習
・価値ベースの手法
・Policy-Off
・TD法の状態行動価値関数Q(s,a)バージョン。
・Q関数の収束が早い。すなわち、学習が安定する傾向がある。
・エピソード更新方策と価値関数更新方策は異なる。
2-5.SARSA
・価値ベースの手法
・Policy-On
・正式名称はState–action–reward–state–action
・Q学習では、max Q がある程度正確に予測できる必要がある。
・例えば、囲碁の強化学習では、初期値（どの手をさすか）が不明。
・その時点での最適な選択を探索しない代わりに、方策(Policy)に従い更新(Policy-On)
・エピソード更新方策と価値関数更新方策は同じ。価値関数の更新にランダム性を取り入れて、局所解を回避する。
・行動価値Qを更新する際、Qが小さい探索結果も反映しやすい。
・しかし、計算が不安定になりやすい。
・経験していない[状態sと行動aの組み合わせ]に対するQ(s,a)は更新されない。
2-6.DQN
・価値ベースの手法。
・Qテーブルが複雑になる場合、例えばロボットの腕の位置など連続値の場合は、配列で表すことが困難になる。
・Q[state(s:状態)][action(a:行動)]=Q値(状態行動価値)
このテーブルで参照できない状態・行動を参照できるように、Q値を予測する関数をDeep Learningで表現したものがDQN。
・価値関数をパラメトリックに近似する方法。特に状態や行動のとりうる場合が多い場合。
・経験再生・・・経験(s(t),a,r,s(t+1))を逐次学習すると、前後関係も意図せず学習してしまう。経験をメモリに蓄積し、後でランダムに学習させる。
・Fixed Target Q-Network
・Reward Clipping・・・点数をスケール(-1,0,1)に標準化
・Huber Loss・・・MSEだと大きすぎる。DQNではHuber関数を使う。
2-7.REINFORCE
・方策ベースの手法。方策勾配法の１種。
3.重要ワード
3-1.Bellmann方程式
・行動する際、「価値が最大」となるものを選択することが前提。
・価値が計算済みであることが前提。
3-2.方策勾配定理
・どの行動をどのくらいの確率で選択すべき（方策）を直接予測することを方策勾配法という。
・その方策の関数（方策関数）のパラメータの変化が、どう利得に影響するかを把握する、すなわち、パラメータを最適化するように動かし、関数Jをパラメータで微分した結果を方策勾配定理と呼ぶ。
3-3.ε-greedy方策
・確率εでランダムな行動aを選ぶ(ε<<1)：探索
・確率1-εで、現状のQ関数の計算した行動aをとる。：利用
・現時点で推定される最適な方策πから外れた方策も、確率的に選ぶことで局所解に陥ることを回避する。
3-4.ソフトマックス方策
・ボルツマン分布、Actorの行動選択がBoltzmann分布によるSoftmax手法である場合、Q(s,a)が高いほど、行動aが選ばれる可能性が高い。
・全行動の集合Aから、行動aを選ばれる確率π(s,a)
・探索と搾取・利用のトレードオフを1/Tで決定。
・1/T:各ステップでの行動選択のランダム性を調整する。価値関数から最適な「行動」を決める際、価値関数間の差を調整する量
3-5.トンプソンサンプリング
・ベイズ戦略の１種。事後確率に従って、行動をランダムに選択する。
・報酬和の期待値を最大にする。
3-6.UCB1アルゴリズム
・最初に取りうる行動を一通り試したのちに、信頼区間の上限の値を加味して、最良のケースでの報酬期待値から最適な行動を決定し実行する。
4.まとめ
強化学習といっても、深層以前と以後に大別でき、深層学習以前の手法でも多数の手法があり、特徴を理解することに非常に苦労した。
まずは、Suttonの３分類と価値ベース・方策ベースで大別して理解すると、追いかけやすい。
ようやく強化学習のスタートラインに立ったような気がする。
5.参考リンク
方策勾配法の仕組みと学習のワークフロー
Policy Gradient Algorithms
A (Long) Peek into Reinforcement Learning
A Map of Reinforcement Learning<-個人的に、一番網羅的に整理されており参考になるWebsite。
A Structural Overview of Reinforcement Learning Algorithms