[개념정리] 5. Off-Policy Control and Q-learning

temp·2021년 9월 5일
0

Reinforcement Learning

목록 보기
5/8
post-custom-banner

이전의 MC와 TD 방법은 모두 on-policy control였습니다. 즉, 현재 action의 기반이 되는 policy와 improve하는 policy가 같습니다.
하지만, 이 on-policy control의 경우 greedy improvement를 진행할 때 한계가 있고, 이를 ϵ\epsilon-greedy improvement로 개선할 수 있었습니다.
이외에도 off-policy control(prediction + policy improvement)로 문제를 해결할 수도 있어, 본 글에서는 그에 대해서 다루겠습니다.

action의 기반이 되는 policy를 behavior policy라 하고, improve하는 policy를 target policy라 하자. 이 때, off-policy control는 behavior policy와 target policy를 다르게 취하게 된다.

off-policy control을 진행할 경우 장점은 아래와 같다.

  1. 인간이나 다른 agents로부터 학습 가능하다.
  2. 이전의 policy들인 π1,π2,...,πt1\pi_1, \pi_2, ..., \pi_{t-1}로부터 나온 경험을 재사용할 수 있다.
  3. exploratory(탐험적) policy를 따르는 동안에 Optimal Policy를 학습할 수 있다(Q-learing).
  4. 하나의 policy를 따르는 동안에 multiple policies를 학습할 수 있다.

Importance sampling

Importance sampling은 off-policy control이 어떻게 optimal policy를 학습할 수 있는 지를 보여준다.

In statistics, importance sampling is a general technique for estimating properties of a particular distribution, while only having samples generated from a different distribution than the distribution of interest

한 마디로, 알고자하는 모집단 분포의 parameter를 다른 분포의 샘플링을 통해서 추정하는 방법이다. 모집단의 분포를 모를 때에는 Monte-Carlo 방법처럼 random sampling을 통해서 값을 추정할 수 있는데(MC approximation), 이 경우 문제가 생길 수 있다.

보통 많은 응용 분야에서 μ=E(f(X))\mu =\mathbb{E}(f(X))를 계산할 때가 많습니다. 이 때, 관심이 있는 확률변수 XAX\in A에 대해 영역 AA를 제외한 영역에서 f(x)f(x), 즉 확률 값이 거의 0에 가깝다면 어떻게 될까요?
가령, AAXX 분포의 끝에 위치한다든가, 그냥 AA가 그 자체로 작은 부피를 차지하고 있다든가.
이 때, 일반적인 Monte-Carlo방법을 적용하게 되면 XX에서 나온 몬테카를로 샘플들은 영역 AA 한 점도 가지기 힘들 것입니다.
이런 문제는 고에너지 물리, 베이지안 인퍼런스, 희귀 사건 시뮬레이션, CG 렌더링 등 다양한 분야에서 나타난다고 합니다.

또한, 여기서 말하는 f(X)f(X)는 강화학습의 목표가 되는 value function : expected future rewad로 생각하면 됩니다.

이러한 문제를 해결하기 위해, 관심이 있는 확률변수 XX가 속하는 AA의 크기가 너무 작아 P(X)P(X)가 0에 가까울 때, 이를 추정하기 위해 다른 분포를 통해 이를 추정하고, 다시 원래 분포에 맞게 조정해주는 방법이 Importance sampling이다.

예를 들어, μ(E(f(X)),X P)\mu(\mathbb{E}(f(X)), X~P)를 추정할 때, sampling된 값들을 이용해 sample mean을 이용할 수 있다. 하지만 앞과 같은 문제가 있어 sampling이 어려운 경우 trick으로 새로운, 다른 분포 QQ에서 샘플링을 하고, 기존의 분포 PP에 맞춰줄 수 있다.

이처럼 PP의 통계량을 구하기 위해 QQ를 이용해 구할 수 있으며, 이 때 p(Xi)q(Xi{{p(X_i)}\over{q(X_i}}importance weight이라 한다.

이처럼 통계량을 구하기 위해 적분 식을 변형하는 시도는 MC-method의 전형입니다.

수식

MC-method

기존의 식에서 문제가 되는 부분인 Reward GtG_t

에 대해 아래와 같이 importance weight를 sequential하게 곱해주면 된다.

따라서 최종 update는 아래와 같다.

Off-policy TD prediction

TD에서는 target 값인 Rt+1+γV(St)R_{t+1}+\gamma V(S_t)에 대해 한 스텝만 importance weight를 구해주면 된다.

Q-Learning

Importance sampling의 경우 MC에서 q(x)만 잘 설정해준다면 on-policy MC보다 variance를 낮출 수 있다.

여기서 p(x)p(x)는 샘플링 될 확률이 낮기에, 보통 q(x)q(x)가 더 큽니다.

문제를 이렇게 설정하면, 결국 optimal q(x)q(x)q(x)q^{*}(x)를 찾는 문제로 회귀한다. 뿐만 아니라 TD에서도 기존의 on-policy 방법에 비해 off-policy 방법의 variance가 높다.

이를 해결하는 것이 Q-Learning

Q-Learning


1) 현재의 state SS에서 behavior policy인 μ\mu에 따라 action AA를 선택한다(At+1=μ(St)A_{t+1}=\mu(*|S_t)).
2) q-func.을 이용하여 update하는데, 다음 state SS'에서의 action AAπ\pi에 따라 선택($A'=\pi(*|S_t).

Q-Learning은 Importance sampling을 필요로 하지 않는다.

다음 state SS'에서의 action을 alternative policy에서 취하게 될 경우 Importance sampling이 필요하지 않습니다. 이전의 off-policy 방법에서는 value function을 사용했었지만, 여기서는 action-value function을 사용하기에 다음 action까지 선택하게 됩니다.

Off-policy Control with Q-Learning

Off-policy의 주된 장점은 explorator(탐험적) policy를 따르면서도 optimal policy를 학습할 수 있다는 것인데, 이를 해낸 것은 아래의 알고리즘이다.

  1. Behavior policy : ϵ\epsilon-greedy w.r.t Q(s,a)Q(s,a)
  2. Target policy(Alternative policy) : greedy w.r.t Q(s,a)Q(s,a)

Greedy한 policy로 학습을 진행하면 당연하게도 수렴은 빨라지지만, 충분한 탐험을 거치지 않기 때문에 local optima에 빠질 위험이 큽니다.
그렇기 때문에 탐험을 위해 ϵ\epsilon-greedy policy를 사용하게 되면 전역적으로 더 좋은 optimal policy를 찾을 수 있지만, 반대로 수렴 속도가 늦어져 학습이 지체됩니다.

위와 같은 Greedy, ϵ\epsilon-greedy의 trade-off 관계를 약간이나마 보완하기 위해 ϵ\epsilon을 시간에 따라 decay 시키면서 Q-Learning을 함께 사용할 수 있다.

위의 알고리즘은 Bellman Optimality Equation을 사용한 value iteration을 이용한 것이다. optimal value function의 관계식을 이용하기 때문에 optimal action-value function에 수렴하게 되는 것.

SARSA vs Q-Learning

위의 예제인 Cliff Walking를 살펴보자.
목표는 당연히 최대의 Reward(즉, 최소 거리 + 절벽 회피)에 도달하는 것이다. 사람에게는 너무나도 쉬운 문제지만, 이를 강화학습으로 풀게될 경우 마냥 쉽지만은 않다.

SARSA 입장에서, ϵ\epsilon-greedy policy를 취할 경우 이곳 저곳 Exploration을 하다가 cliff에 빠질 경우 cliff 주위의 state는 모두 낮은 value function을 갖게 된다.

반면, Q-Learning 입장에서, ϵ\epsilon-greedy policy를 취하고, cliff에 빠질 지언정 action-value function만 낮아지기 때문에 cliff 근처의 state에는 도달할 수 있다. 단지, cliff 쪽으로 action만 하지 않으면 된다고 학습하는 것이다. 그렇기에 SARSA보다 효율적으로 optimal path를 찾을 수 있다.

이후 흐름

이전까지의 learning은 state와 action pair 경우의수가 적기 때문에 실측 값으로 계산이 가능했습니다. 하지만 조금 복잡한 게임만 하더라도 모든 경우의수를 고려할 수 없기 때문에 함수화 모델링을 통해 실측 값을 근사하여 사용하자는 아이디어가 자연스레 나왔습니다. 이를 통해 아무리 많은 경우의 수일지라도 모든 data를 저장하지 않고 학습이 가능하며, 이를 value function approximation이라 한다.

출처

https://dnddnjs.gitbooks.io/rl/content/q_learning.html
https://sumniya.tistory.com/15?category=781573

post-custom-banner

0개의 댓글