526互联

off-line RL | CQL：魔改 Bellman error 更新，得到 Q 函数 lower-bound

发布时间 2023-11-07 15:27:24作者: MoonOut

目录

review 总结

open review： https://proceedings.neurips.cc/paper_files/paper/2020/file/0d2b2061826a5df3221116a5085a6052-Review.html

  • contribution：用于 off-line RL 的保守 Q 学习（Conservative Q-Learning，CQL）。

    • 一种新的 Q function 更新规则，对 Q 分布进行额外的正则化：通过在适当选择的 state-action pair 上的辅助分布下，在通常的 Bellman update 中添加正则项，用来最小化 OOD action 的 Q value，从而减少对 OOD action 的 Q value 高估。
    • 作者表明，这个更新规则能够渐进得到，从精确 policy evaluation 中获得的 policy value 的下限。
    • 在学习算法中使用这种保守的 Q function，从而得到 Conservative Q-Learning 算法（CQL）。作者表明，以这种方式得出的策略更新是保守的，因为在每次迭代中，策略都会针对 value 的 lower-bound 进行优化。
    • CQL 算法有几个不同的变体，它们在 off-line control 的 benchmark 中性能很好，并且，对于 off-line RL 中 behavior policy 与实际 policy 的 action distribution 不一致，所导致的 Q 分布的误差更稳健。
    • 公式 1：在估计特定策略的 Q function 时，添加一个 penalty，会产生对 policy value 的低估，但这种低估过于保守。
    • 公式 2：在估计 Q function 时，在 penalty 中减去基准策略（行为策略 behavior policy）的 value。这也被证明会低估 policy value。作者从理论与实验上验证了这个 idea。

  • strength：

    • 简单而新颖的方法，概念上聪明的想法。通过直接最小化 off-policy Q value，而不是估计 Q function 中的行为密度或不确定性，来对抗 off-line Q learning 中的高估。很聪明，因为与大多数现有方法相反，它不需要任何形式的状态访问密度。
    • 具体的，该方法将 value 取多少 lower-bound，取决于经验行为分布 \(\pi_\beta\)，其中很少被评估的 actions 会导致更大的 lower-bound。（？）
    • 之前没有针对 off-line RL 的这种研究，因为将 Q function 正则化，对 OOD action 表现不好。（？）

  • weaknesses：

    • 虽然本文的理论动机集中在构建下界，但没有讨论下界是多少 以及这是否合理（？奇怪的英文句子）。主要弱点在于 alpha，它以 Q 值的平方损失相对于 Q 值的线性差进行交互（？）。
    • 在实证（实验）中比较平均值，而非提供适当统计数据（比如方差这种统计量），是有缺陷的。
    • 公式 1 和 2 必然会收敛到一个 fixed point（忽略不属于 D 的动作）是显而易见的吗？能否解释一下，针对 BC （behavior cloning 行为克隆 模仿学习）策略进行正则化的方法，为何会比 BC 策略表现更差？在我看来，总是可以选择足够强大的正则化，至少让它跟 BC 策略一样好，为什么表 1 和 2 中的情况不是这样呢？

0 abstract

Effectively leveraging large, previously collected datasets in reinforcement learning (RL) is a key challenge for large-scale real-world applications. Offline RL algorithms promise to learn effective policies from previously-collected, static datasets without further interaction. However, in practice, offline RL presents a major challenge, and standard off-policy RL methods can fail due to overestimation of values induced by the distributional shift between the dataset and the learned policy, especially when training on complex and multi-modal data distributions. In this paper, we propose conservative Q-learning (CQL), which aims to address these limitations by learning a conservative Q-function such that the expected value of a policy under this Q-function lower-bounds its true value. We theoretically show that CQL produces a lower bound on the value of the current policy and that it can be incorporated into a policy learning procedure with theoretical improvement guarantees. In practice, CQL augments the standard Bellman error objective with a simple Q-value regularizer which is straightforward to implement on top of existing deep Q-learning and actor-critic implementations. On both discrete and continuous control domains, we show that CQL substantially outperforms existing offline RL methods, often learning policies that attain 2-5 times higher final return, especially when learning from complex and multi-modal data distributions.

摘要：

  • 在强化学习（RL），有效利用事先收集的大型数据集，是大规模实际应用面临的一个关键挑战。离线强化学习（off-line RL）算法，有望从以前收集的静态数据集中学习有效的策略，而无需进一步的交互。
  • 然而，在实践中， off-line RL 是一项重大挑战。因为数据集与所学策略之间的 state-action 联合分布的偏移，会导致对 value 的高估，因此，标准的 off-policy RL 魔改成的 off-line RL 可能会失败，尤其是在复杂和多模式数据分布上。
  • 在本文中，我们提出了保守 Q-learning (CQL)，旨在通过学习一个保守的 Q 函数来解决这些局限性，即，在该 Q 函数下，policy value 的期望值低于其真实值。
  • 我们从理论上证明，CQL 能生成当前 policy value 的下限，并基于该下限学习新策略，从而保证理论上的改进。
  • 在实践中，CQL 通过一个简单的 Q 值正则化器（regularizer），增强了标准的 Bellman error 优化目标，该正则化器可以在现有的 Deep Q Learning 和 Actor-Critic 的基础上直接实现。
  • 在离散和连续控制域上，我们的研究表明，CQL 的性能大大优于现有的 off-line RL 方法，其学习策略的最终收益往往能提高 2-5 倍，尤其对于复杂和多模态的数据分布。

1 intro

  • Offline RL / batch RL：[11, 15, 30, 3, 27, 54, 34]
  • 在 off-line 环境中，直接使用现有的 value-based 的 off-policy RL 算法，通常性能不佳，这是由于从 OOD action 中 bootstrap 的问题 [30, 15] 和过拟合 [13, 30, 3]，通常表现为 value function 的错误的乐观估计。
  • 如果我们能学习一个保守的 value function 估计值，为真实值提供一个下限，那么就能解决高估问题。
    • 事实上，由于 policy evaluation 和 policy improvement 通常只使用 value function，我们可以学习一个不那么保守的下限 Q 函数，这样，策略下的 Q 函数期望值是下限，而非使用点式下限。（见后文，从公式 1 到公式 2）
  • main idea：在适当选择的 (state,action) 分布下，最小化 Q 值（公式 1），然后通过在数据分布上加入最大化项，进一步收紧这一约束（公式 2）。
  • 算法框架 CQL：通过在训练过程中对 Q 值进行正则化，学习保守的 value function 下限估计值。
    • 理论分析：只有在策略下的 Q 函数期望值，才会是真实策略值的下限，从而避免了逐点的 Q 函数下限可能产生的额外低估，这在探索文献 [46, 26] 中，通常是在相反的背景下进行探讨的。
    • 通过实验，证明了我们的方法对 Q 函数估计误差的稳健性。
  • 如何实现 CQL：将这些保守估计，用于策略评估和离线 RL。
    • 简单修改：只需在 Q 函数更新中添加 CQL 正则化项，就能在许多标准 on-line RL 算法 [19, 8] 的基础上，用不到 20 行代码实现 CQL。
  • 实验：适用于具有复杂数据集组合的领域（已知先前的方法通常在这些领域表现不佳）[12]（可能是 D4RL 的 random medium expert 之类）和具有高维视觉输入的领域 [5, 3]（其实应该就是 Atari 的 state - 游戏屏幕截图吧）。
    • 在许多 benchmark 上，CQL 的表现比之前的方法高出 2-5 倍之多，而且还是在从人机交互中收集的大量现实数据集上，唯一的表现优于简单 behavior cloning 的方法。

2 preliminaries

  • 符号定义：
    • \(\pi_{\beta}(a|s)\) 代表 behavior policy。\(d^{\pi_\beta}(s)\) ：\(\pi_{\beta}(a|s)\) 的 discounted marginal state-distribution。离线数据集 D，相当于在 \(d^{\pi_\beta}(s)\pi_\beta(a|s)\) （state-action 联合分布）里采样得到。
    • \(\hat \pi_\beta(a|s)\) 代表 empirical behavior policy，\(\hat \pi_\beta(a|s)={\sum_{(s,a)}1[s=s,a=a]}/{\sum_s1[s=s]}\) ，就是在历史数据的 state s 下有多少次选择了 action a。
    • 假设 reward 有 bound： |r(s, a)| ≤ R_max。
  • 回顾：
    • 回顾 Q-learning method：迭代计算 Q function，\(B^*Q(s,a)=r(s,a)+\gamma E[\max Q(s',a')]\)。
    • 回顾 actor-critic：要训一个 actor policy，用来做 \(\pi(a|s)=\arg\max_aE[Q(s,a)]\)。
    • 由于 dataset D 不会包含所有的 transition tuple (s,a,s')，所以 policy evaluation 步骤事实上用的是 empirical Bellman operator，称为 \(\hat B^\pi\)，它只备份（backs up）单个样本。
    • （没有听懂，应该是只对单个 (s,a,s') 做 Bellman 迭代吧）
  • off-line RL：给定数据集 \(D=\{(s,a,r,s')\}\)，是用 behavior policy \(\pi_{\beta}(a|s)\) 收集的。然后在这个数据集上做 policy evaluation + policy improvement。（evaluation 是在更新 Q function，新 Q 接近 r + γ × 老 Q，用 min 最小化平方误差来写）
  • 问题：这样直接做 off-line RL，会出现 action distribution shift（动作分布偏移）的现象。
    • 大概就是，最后训出来的 policy 的 action distribution 跟采样策略 \(\pi_\beta(a|s)\) 不太一样（？）
    • 由于 policy 的训练目标是最大化 Q 值，因此，可能会倾向于 Q 值被高估的 out-of-distribution 行为。
    • 经典 off-line RL 方法 [30, 27, 59, 54]，通过限制所学策略 [34] 远离 OOD action，来缓解这一问题。
    • 需要注意的是，在训练 off-line RL 的 Q function 时，不会受到 state distribution shift（状态分布偏移）的影响，因为 Bellman backup 不会在 OOD 的状态上更新 Q 函数，但是在测试时，可能会遇到新 state，受影响。

3 CQL framework

3.1 Conservative Off-Policy Evaluation

CQL 最初的 idea：

  • 我们只有行为策略 \(π_β(a|s)\) 生成的数据集 D，但是要估算目标策略 π 的 value function \(V^π(s)\)。
  • 因为希望防止 policy value 的高估，因此在学习标准 Bellman error 目标的同时，还通过最小化 Q 值，来学习一个保守的 Q 函数 lower-bound。
  • 使用一种惩罚方式：最小化【特定的】state-action pair distribution µ(s,a) 下的 Q 函数期望值。
    • 标准 Q 函数训练并不去管 unobserved state 下的 Q 函数值，却去更新 unobserved action 下的 Q 函数值，因此，我们限制 µ 与数据集中的状态边际（state-marginal）相匹配，\(\mu(s,a) = d^{π^β}(s)\mu(a|s)\)。【没有听懂】
  • 这样，就得到了训练 Q 函数的迭代更新，它是权衡因子（tradeoff factor）α ≥ 0 的函数：

【3.1 节的公式 1：加了一个惩罚项，最小化 α · E_{μ 分布} Q(s,a) 】

定理 3.1 的解释：

  • 证明：这样得到的 Q function，是所有 s-a dataset 分布的下界。
  • 这个下界可以更紧一些。如果只要求 \(π(a|s)\) 下， \(\hat Q^π\) 的期望值低于 \(V_π\)，我们可以通过在数据分布 \(π_β(a|s)\)下，引入一个额外的 Q 值最大化项来改进约束，从而实现迭代更新（等式 1 中红色部分的变化）：

【3.1 节的公式 2：拉低了 μ 分布的 s-a，但拉高了 \(s\sim D,a\sim\hat\pi_\beta(a|s)\) 的 Q value，pi hat 是 empirical behavior policy】

定理 3.2 的解释：

  • 虽然得到的 \(\hat Q_π\) 可能不是对每个点都能有下限，但当 \(\mu(a|s)=π(a|s)\) 时，有数学期望 \(E_{π(a|s)} [\hat Q^π(s,a)]≤V^π (s)\)。
  • 因为公式 2 最大化了行为策略（behavior policy）\(\hat\pi_\beta(a|s)\) 的 Q 值，因此可能会高估 \(\hat\pi_\beta(a|s)\) 下的 action，所以说 Q hat 不是 point-wise lower-bound。
  • 在 Appendix D.2 中证明，只有最大化 \(\hat\pi_\beta(a|s)\) 时，才能取得数学期望的 lower bound（？）

理论分析：（有点复杂，没看懂…）

  • 公式 1 2 使用的经验贝尔曼算子 \(\hat B^π\) ，而非实际的贝尔曼算子 \(B^π\)。
  • CQL 是 lower-bound 的证明，在 Appendix C。

定理 3.1：

  • point-wise lower bound。
  • 对于公式 1 中希望最小化的分布 μ(a|s)，只要满足 \(\mathrm{supp}~\mu\subset\mathrm{supp}~\hatπ\) （不知道什么意思…），就有≥ 1-δ 的概率满足，求得的 \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\) - 一个含 α 的东西 + 一串东西。
  • 只要 α 足够大，就有 \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\)，对任意 s ∈ D、任意 a。
  • 当 \(\hat B^π=B^π\) 时，任何 α＞0 都能保证， \(\hat Q^\pi(s,a)\le Q^\pi(s,a)\)，对任意 s ∈ D、任意 a。

定理 3.2：

  • 数学期望 lower bound 。
  • 当 \(\mu=\pi\) 时（\(\pi\) 是当前训出来的策略（？）），通过策略 \(\pi\) 下 的 Q function 得到的 value function \(\hat V^\pi(s)=E_{\pi(a|s)}[\hat Q^\pi(s,a)]\)，是真实 value function \(V^π (s)=E_{π(a|s)}[Q^π(s,a)]\) 的 lower bound。
  • 因为（一大串公式），对任意 s ∈ D，有 V hat ≤ V - 一个含 α 的东西 + 一串东西。
  • 因此，若 α ＞ 一串东西，对任意 s ∈ D，都有 V hat ≤ V 的概率 ≥ 1-δ。若 \(\hat B^π=B^π\) ，任何 α＞0 都能保证 V hat ≤ V 。

讨论：

  • 在定理 3.1 3.2 的证明中，假设 Q function 是精确计算的，没有使用 function approximation（如 NN）。
    • 不过，定理 3.2 可以 generalize 到 linear function approximator 和基于 neural tangent kernel (NTK) 的 NN 拟合器，见 Appendix D.1 的定理 D.1 D.2。
  • 总之，证明了 Q ← min α E_μ Q(s,a) + 1/2 [Q(s,a) - BQ(s,a)]² 是 Q function 的下界，Q ← min α[E_μ Q(s,a) - E_\(\hatπ_β\) Q(s,a)] + 1/2 [Q(s,a)-BQ(s,a)]² 是更紧的下界。
    • 随着可用数据变多，|D(s,a)| 增加，保证下界所需的 α 值变小；在无限数据中，只需极小的 α 便可维持下界。

3.2 Conservative Q-Learning for Offline RL

背景：

  • 在 3.1 节的公式 2 中令 μ = π，做 policy evaluation - policy improvement 循环，可以得到 Q function 下限，但这样计算成本太高（？）
  • 由于 policy iteration 得到的 \(\hat\pi_k\) 通常来自于 Q function，因此可以改进 μ 的选择，进行一些近似，得到一个在线（on-line）算法（？）

定义了 CQL(R) ，是一类优化问题，R(μ) 是正则化项。

【3.2 节的公式 3： \(\min_Q\max_\mu \alpha(E_\mu Q-E_{\hat\pi_\beta} Q)+1/2[Q-BQ]^2+R(\mu)\)，变成了 min max 形式，还加了一个 μ 的正则化项】

CQL 的变体：

  • 如果令 R(μ) = -DKL(µ, ρ)，即策略的 action 分布与一个先验 action 分布的 KL 散度。
  • 1 - 若 ρ = Uniform(a)，那么将会变成公式 4 的形式，称为 CQL(H)。H 是信息熵的意思。
  • 2 - 若 ρ = \(\hat\pi_{k-1}\) 即上次得到的策略，那么，等式 4 的第一项会变成 \(\hat\pi_{k-1}(a|s)\) 的 actions 的 Q values 的指数加权平均值。
    • 根据经验，这种变体在高维行动空间（如表 2）中更稳定，因为在高维行动空间中，由于方差较大，通过抽样估计 \(\log\sum_a\exp\) 具有挑战性。（没有听懂）
  • 3 - 在附录 A 中，讨论 CQL 的另一个变体，并将其与分布稳健优化（distributionally robust optimization）[43] 联系起来。

CQL 的理论分析：

  • 去证明 CQL 确实是保守的（conservative），每个 policy iterate 都根据 value 的 lower bound 来优化得到。
    • 有 sampling error 样本误差的情况见 Appendix C，这里我们就不考虑了。

定理 3.3：

  • 证明：前面提到的 CQL(H)，学习了实际 Q function 的 lower bound。
  • 令 \(π_{\hat Q^k}(a|s)∝\exp \hat Q^k(s,a)\) （这是得到 policy 的方式），假设 \(D_{TV}(\hat π^{k+1}, π_{\hat Q^k})\le\epsilon\) （大概就是策略变化缓慢的意思），则有 \(\hat Q^k\) 下的 policy value 是真实 value 的 lower bound，\(\hat V^{k+1}(s) ≤ V^{k+1}(s)\) 。
  • —— 只要满足，LHS ≥ RHS。
  • LHS：是在 CQL 更新的迭代 k+1 中， Vˆk+1 值的保守程度，如果学习到的策略正好等于 \(\hat Q^k\) 的 softmax 策略（正比于 exp）（按理来说是这样的），即 \(\hat π_{k+1}=π_{\hat Q^k}\) 时。
  • RHS：然而，实际策略 \(\hat π_{k+1}\) 可能不同，RHS 是由于这种差异而可能高估的最大值。
  • 为了得到下限，我们要求低估 value function 的量更大，可以通过较小的 ε（即策略变化缓慢）得到。
  • （基本没看懂…）

CQL 的 Q function update 是 gap-expanding 的：

  • 是说，1. ID（分布内）的 Q value、2. 错误乐观估计的 OOD Q value，它们之间的 difference，比真实 Q function 的 difference 更高。
  • 这意味着，策略 \(π_k(a|s)∝\exp\hat Q^k(s,a)\) 被约束的更接近数据集 D 的经验策略分布 \(\hat π_β(a|s)\)，隐式地防止了 OOD 的 distribution shift。

定理 3.4：（CQL is gap-expanding）

  • 在任何步迭代 k 中，CQL 都能扩大行为策略 \(π_β(a|s)\) 和 \(\mu_k\) 下预期 Q 值的差距。
  • 因此，对于足够大的 \(α_k\)，对于任意 s ∈ D，我们有 \(E_{π_β(a|s)}[\hat Q^k(s,a)]−E_{\mu_k(a|s)}[\hat Q^k(s,a)]> E_{π_β(a|s)}[Q^k(s,a)]−E_{\mu_k(a|s)}[Q^k(s,a)]\) 。

（Appendix B 通过实验证明，先前的 off-line RL 方法，如果没有明确限制或正则化 Q 函数，可能不具备对于 OOD Q 值高估的鲁棒性）

总结：

  • 证明了 CQL RL 算法可以学习到下限 Q 值，在足够大的 α 下。这意味着，最终策略的 value function 至少能有我们计算的 Q hat 那么大，我们计算的 Q hat 是一个下限。
  • 证明了 Q function 是 gap-expanding 的，这意味着它只能高估 ID action 和 OOD action 之间的 gap，从而防止 OOD 行动。（所谓的拉高 ID action，拉低 OOD action）

3.3 Safe Policy Improvement Guarantees

本 subsection 总结：

  • CQL 优化的是一个定义明确的、包含惩罚项的（penalized）经验 RL 目标函数（empirical RL objective），并针对 behavior policy（行为策略），进行了高置信度（概率 ≥ 1-γ）的安全策略改进。
  • 改进的程度会受到较高 sampling error（采样误差）的负面影响，而 sampling error 会随着观察样本的增多（|D| 变大）而减小。

定理 3.5：

  • 定义：任意策略的 empirical return（经验收益）\(J(π, \hat M)\)，为 empirical MDP（经验 MDP） \(\hat M\) 的 discounted return（应该是 discounted reward 求和吧）。其中，empirical MDP 由数据集 D 得出，\(\hat M=\{(s, a, r, s')∈D\}\) 。
  • 设 \(\hat Q^\pi\) 是公式 2 的不动点（fixed point）（即已经求到了策略 π 的 value function），则 \(π^*(a|s):=\arg\max_π E_{s\simρ(s)} [\hat V^π(s)]\) （该 value function 导出的 policy）可以等价表示为，\(π^*(a|s)←\arg\max_πJ(π,\hat M)−α\frac{1}{1−γ} E_{s∼d^π_{\hat M}(s)}[D_{CQL}(π,\hat π_β)(s)]\) ，其中 D_CQL 是一个 penalty， \(D_{CQL}(π, π_β)(s):=\sum_a π(a|s)\cdot (\frac{π(a|s)}{π_β(a|s)}−1)\) 。
  • 证明见 Appendix D.4。
  • 直观地说，定理 3.5 表明，CQL 优化了经验 MDP \(\hat M\) 中的策略收益，同时还通过 D_CQL 惩罚项，确保学习到的策略 π 与行为策略 \(\hat π_β\) 不会相差太大。
    • 这种惩罚是通过 CQL 的 gap-expanding（定理 3.4）特性，来隐式引入的。

定理 3.6：

  • 在定理 3.5 和 CPO [1] 分析的基础上，证明 CQL 提供了行为策略 \(\hat π_β\) 上的 ζ-safe policy improvement。
  • 设 \(π^*(a|s)\) 是定理 3.5 得到的策略。那么，在实际 MDP M 中，策略 \(π^*(a|s)\) 是行为策略 \(\hat π_β\) 上的 ζ-safe policy improvement，即，满足 \(J(π^*,M)\ge J(\hat π_β, M)-\zeta\) 的概率为 1 - δ， ζ 由下式给出：
  • 【没编号的公式，一大串，很吓人】
  • ζ 的表达式由两项组成：
    • 第一项表示，由于 M hat 和 M 之间的不匹配（也称为抽样误差 sampling error），而导致的 M 中策略性能的下降。第二项表示，由于经验 MDP M hat 中的 CQL，而导致的策略性能的提高。
    • 针对 CQL Q 函数优化 π 后，得到的策略 π* 比行为策略 \(\hat π_β\) 好，如果我们适当选择 α 值；当采样误差较小，也就是 |D(s)| 较大时，较小的 α 值就足以保证策略性能的改进。

4 如何实现 CQL

算法伪代码：

  • 看看如何在 actor-critic 和 Q-learning 上使用 CQL。
  • 伪代码见 Algorithm 1 ，与传统 actor-critic 和 Q-learning 的区别，用红色标出了。
  • （第 3 步）使用 CQL 框架中的 CQL(H) 或一般的 CQL(R)，替代希望最小化的 Bellman error，作为训练 Q 函数 \(Q_θ\) 的梯度下降目标（θ 是神经网络参数）。
    • 不像之前的 off-line RL 方法 [30, 59, 54, 34] ，CQL 不需要策略约束（policy constraint），因此不需要拟合一个额外的 behavior policy estimator（行为策略估计器）。
  • （第 4 步）对于 actor-critic 框架，还需训练一个策略 πφ。

Implementation details：

  • 声称，对于连续控制，只需在 SAC（soft actor-critic）[19] 上增加 20 行代码；对离散控制，则是 QR-DQN [8] 的 20 行代码。
  • 对 gym 和离散控制，tradeoff factor α 固定为附录 F 中所述的恒定值；对于其他领域，α 通过拉格朗日双梯度下降法（Lagrangian dual gradient descent）自动调整。
  • 我们使用 SAC 的默认超参数，但策略的学习率是从 {3e-5、1e-4、3e-4} 中选择的，并且小于或等于 Q 函数（？），这是由定理 3.3 决定的。
  • 详细内容见 Appendix F。

本章 review 了 offline RL 和 off-policy evaluation 的工作，更多内容详见 Appendix E。

Off-policy evaluation (OPE)：

  • 早期工作 [51, 49, 52] 先收集 Monte-Carlo returns，再在 Monte-Carlo returns 中使用 per-action importance sampling，来获得 OPE return 的估计。
  • 近期工作 [36, 17, 40, 60] 通过某种动态规划（dynamic programming）[34]，直接估计状态分布的 importance ratios（重要性比率），使用 marginalized importance sampling（边际重要性采样）。这通常比 per-action importance sampling 方差更小，但期望值会有 bias。
    • 由于使用 DP，因此它们可能会受到 OOD 动作的影响 [34, 17, 20, 40]。
    • 相比之下，CQL 中的 regularizer 因其 gap-expanding 行为，而明确解决了 OOD 行为的影响，并获得了保守的 value 估计。

Offline RL：

  • 先前研究试图解决 learned policy 的 action distribution 与 behavior policy 偏离的问题，去限制 learned policy 与 behavior policy 接近，例如通过 KL-divergence [27, 59, 48, 54]、Wasserstein 距离 [59] 或 MMD [30] 来衡量。然后，在贝尔曼策略更新（Bellman backup）中，只使用从该被限制的策略中采样的行动，或使用值惩罚（value penalty）。
    • 对 unobserved actions，SPIBB [33, 41] 使用 Q-learning 算法中的 behavior policy 进行 bootstrap。
  • 大多数这种方法，都需要单独估计一个 behavior policy 模型 πβ(a|s) [15, 30, 59, 27, 54, 55]，因此，受限于准确估计未知 behavior policy 的能力 [42]；如果从多个来源收集数据 [34]，去估计 behavior policy 可能尤为复杂。
    • 相比之下，CQL 无需估计 behavior policy。
  • 先前研究已经探索了某些形式的 Q-function penalties [23, 58]，但仅限于 standard online RL setting with demonstrations。
    • Luo 等人 [38] 通过在 state-space 上强制执行一个 linear extrapolation property，学习了一个 conservatively-extrapolated value function，然后，学习动力学模型（dynamics model），从而获得 goal-reaching tasks 的策略。
    • Kakade 和 Langford [28] 提出了 CPI 算法，在 on-line RL 中保守地改进策略。
  • 其他先前的研究，会估计某种不确定性（uncertainty），以确定 Q 值预测的可信度 [30, 3, 34]，通常使用 on-line RL exploration 中的不确定性估计技术 [47, 26, 46, 7]。
    • 由于 off-line RL [34] 对不确定性估计的保真度（fidelity）要求很高，因此，这些方法在 off-line RL [15, 30, 34] 中一般表现不佳。
  • Robust MDP [24, 50, 56, 44] 一直是 off-line RL 中流行的 theoretical abstraction，但在 policy improvement 上往往非常保守。
    • 由于 CQL 不会低估所有 state-action tuple 的 Q value，因此 CQL 不会那么保守。
  • 关于 high confidence policy improvement 的研究 [57]，为策略改进提供了安全保证，但往往也比较保守。
    • 定理 3.4 所示的 CQL backup 的 gap-expanding 特性，与 gap-increasing Bellman backup operators [6, 37] 如何在 on-line RL 中对 estimation error 更 robust 有关。

理论结果：

  • 我们的理论结果（定理 3.5、3.6）与之前 safe policy improvement 的工作有关 [33, 50]。
  • 与 Laroche 等人的定理 1 和 2 [33] 比较，发现相似的 quadratic dependence on the horizon，和一个 inverse square-root dependence on the counts。
  • 我们的 bound 比 Petrik 等人[50]的 ∞-norm（无穷范数）bound 有所改进。

6 experiment

baselines：

  • 使用 policy constraint（限制与 behavior policy 离得不太远）的先前 off-line RL 方法：BEAR [30] 和 BRAC [59]。
  • SAC [19]，一个 off-policy actor-critic method 的 off-line RL 版本。
  • behavioral cloning (BC)。

实验环境与结果：

  • Gym domains：
    • off-line datasets 分为 “-random” “-expert” “-medium”。当只使用单一种类的 dataset 时，CQL 只比其他方法厉害一点点（baselines 使用了 [12] 的 performance 报告）；但当多个 datasets 一起使用时，甚至能 outperform 一到两倍。
  • Adroit tasks：
    • Adroit [53] 是 D4RL [12] 中最复杂的任务，使用有限的 human demonstrations，控制一个 24-DoF 的机器手。
    • 任务过于复杂，先前的 off-line RL 方法都会挂掉，behavior cloning（BC）表现最好。
    • CQL outperform 了 BC，是其他 off-line RL 方法的 2-9 倍。
  • CQL(ρ) 其中 \(\rho=\hat\pi^{k-1}\) 在一部分任务上 outperform 了 CQL(H)，两个 CQL 方法的方差都比 baselines 更好。
  • AntMaze：
    • MuJoco Ant robot，D4RL 中只提供 suboptimal 数据。
    • 先前方法只能应对最简单的 U-maze，但 CQL 可以走一些更复杂的。
  • Kitchen tasks：
    • Franka kitchen domain [18] from D4RL [14]，控制一个 9-DoF robot，按顺序操作各种物体（microwave, kettle, ...），达到指定的终态；对于每个终态要求的物体，只有一个 episode 结束时的 spare 0 1 reward，代表该物体是否达到终态（？）
    • 包含 1. 从 dataset 里组合 trajectory 片段，2. 精确的 long-horizon 控制，3. 处理人类的远程指令。
    • CQL outperforms 所有 baseline，成功率高达 40+%。
  • Offline RL on Atari games：
    • offline, image-based Atari games [5]。
    • 与 REM [3] 和 QRDQN [8] 在五个 Atari tasks (Pong, Breakout, Qbert, Seaquest and Asterix) 上比较，（因为这些实验已经被 [3] 做过了）
    • 使用了 Agarwal et al. [3] 的 evaluation protocol，包含两种数据：(1) on-line DQN agent 观察到的前 20% 样本组成（大概是训练过程的前 20%？）；(2) 仅有 on-line DQN agent 观察到的所有样本的 1% 和 10%（大概是整个训练过程随机取 1 ~ 10%）。
    • 对 (1)，与 QR-DQN 和 REM 持平；对 (2)，显著 outperform，尤其是在只有 1% 数据的条件下。
  • 对 CQL 的分析：
    • 通过计算 CQL 得到的 value function V hat，与真实 discounted return 进行比较，证明我们的 value function 是下限。
      • 计算了 baseline（off-line RL）的一些 value function，包括 ① Q-function ensemble（防止 over-estimate 的常用方法） ② BEAR [30] 一种 policy constraint 方法，发现它们 over-estimate 了。
      • 还对公式 1 中的 CQL variant 进行评估，发现公式 2 确实获得了比公式 1 更紧的下限。
    • Appendix B：跑实验证明定理 3.4（CQL 的 gap-expanding）。
    • Appendix G： CQL 的 ablation study。

7 discussion

  • 提出了 off-line RL 的 CQL 框架：可以学习 Q function 的 lower-bound。
    • CQL 可直接应用于大规模数据集丰富的实际问题：自动驾驶、机器人和软件系统（如推荐系统）。
  • limitations & future works：
    • 虽然已经证明了 CQL 可以在 tabular、线性函数近似、某些非线性函数近似 Q function 的情况下，学习 Q function 的下限，但对 CQL + Deep NN 的严格理论分析，仍有待于未来的工作。
    • 此外，off-line RL 与标准监督学习方法一样，容易出现过拟合问题，因此未来工作的另一个重要挑战是，设计简单有效的早期停止方法，类似于监督学习中的验证误差。

Appendix

https://proceedings.neurips.cc/paper_files/paper/2020/file/0d2b2061826a5df3221116a5085a6052-Supplemental.pdf

  • A. Discussion of CQL Variants - 讨论 CQL 的变体：CQL(H) CQL(ρ) CQL(var)。
  • B. Discussion of Gap-Expanding Behavior of CQL Backups - 好像是关于 CQL gap-expanding 的实验。
  • C. Theorem Proofs - 出现在正文中的定理 3.1 - 3.4 的证明。
  • D. Additional Theoretical Analysis - 进一步的理论分析。
    • D.1 使用 Q function approximation 的 lower-bound 证明。
    • D.2 公式 2 中 arg min α [E_μ Q - E_\(\pi_\beta\) Q] ，如果把 \(\pi_\beta\) 位置选择别的分布会怎样。
    • D.3 公式 2 的 sample-based version（？）
    • D.4 Safe Policy Improvement Guarantee for CQL。
  • E. related work 扩展。
  • F. setup 与实验细节等。
  • G. Ablation Studies。