发表时间：2021 (NeurIPS 2021)
文章要点：这篇文章提出了一种学习policy的监督范式，大概思路就是先结构化advice，然后先学习解释advice，再从advice中学policy。这个advice来自于外部的teacher，相当于一种human-in-the-loop decision making。另外这个advice不单单是reward的大小，可能具有更加实际的意义，比如告诉agent做什么动作。
作者提出了一个Coaching Augmented Markov Decision Processes (CAMDPs)框架，在这个框架下，算法包括两个步骤，advice grounding and advice distillation。grounding phase,就是去学会理解teacher-provided advice和high-value actions之间的联系，也就是学会理解advice。Distillation phase就是根据advice去学策略。
具体的，先去学一个surrogate policy
这里c是advice，\(\tau\)是具体的任务，s是状态。然后就用强化的方式，提供关于这个task的真实的reward来训。这个过程和标准的multi-task RL一样，只是多了一个advice作为输出入。有了这个之后，新任务来了就用这个surrogate policy根据新的advice来生成轨迹，然后用监督学习的方式学成一个不依赖于advice的policy
总结：感觉这个paper的点就在于如何学会理解advice，这样来了新的任务之后，可以直接根据teacher给的advice来产生policy适应新的任务。但是感觉这个理解还是主要局限在非常相似的任务上，不是很好泛化。
而且并不是真的zero-shot transfer，还是需要和环境再交互才能再用监督学一个policy，就感觉有点鸡肋了。
疑问：里面这个先学一个advice conditioned的policy，再在新任务上采样，再监督成一个不依赖advice的policy，是不是有点多此一举了啊。是不是还不如直接重新在新任务上训练啊，就先搞个meta learning的pretrained model，然后直接对新任务finetune就好了。
- Reinforcement Distillation Teachable Learning Advicereinforcement distillation teachable learning reinforcement learning noise reinforcement exploration learning reinforcement learning chapter reinforcement transformer learning trainer reinforcement transformer decision learning learning reinforcement q-learning python reinforcement exploration off-policy learning reinforcement modelling learning feedback learning conversational recommendation reinforcement