目录

4.关键结果及结论是什么

4.2实验结果

5.创新点在哪里

6.有值得阅读的相关文献吗

7.综合评价又如何？

相关资料

1. 论文链接：Encoding Human Domain Knowledge to Warm Start Reinforcement Learning
2. 代码地址：算法地址ProLoNets

1.研究动机是什么

  在许多强化学习任务中，当面临新的挑战时，智能体往往从“零”开始学习，忽略了许多可以从领域专家那里获得的丰富的现成知识。这些知识可以帮助智能体快速启动学习过程，减少不必要的探索，加速智能体训练，缩短训练时间。

2.主要解决了什么问题

  使用专家知识构造决策树策略来初始化神经网络，通过这种方式对智能体进行指导，起到warm-start的作用；同时，随着训练的进行，决策树会不断生长，增加新知识，最终超过用来初始化的专家知识。

3.所提方法是什么

  作者提出了一种新的强化学习技术，通过人工初始化神经网络权重和结构。将领域知识直接编码进入神经网络决策树，并通过策略梯度更新对该知识进行改进。同时，随着训练的进行，神经网络决策树不断生长，发现新知识，最终超过专家知识。

3.1总体流程

  总体流程如图所示：1.需要提供分层形式的决策规则集合。这些策略是通过简单的用户交互来指定指令的。2.每条规则被转换为网络参数，每条规则的表达式为权重和判断条件为偏差，形成初始化的决策树神经网络。3.利用初始化网络与环境进行交互收集数据，更新网络参数，对知识改进。4.每次迭代更新，检查决策树纯度，当纯度过低，增长树，原来的树节点复制网络参数，新的节点随机初始化参数，形成新的决策树神经网络。重复3-4，直至训练结束。

3.2PROLONET决策树网络

  首先用户需要提供分层形式的决策过程。随后用户的决策过程被转换为神经网络，每条规则由网络权重 ω n → ∈ W overrightarrow{omega_n}in W ωn​ ​∈W​和比较值（偏差） c n ∈ C c_n in C cn​∈C​​表示。如图传统的决策树和PROLONET。决策节点变成线性层，叶子节点变成动作概率，最终的输出是路径概率加权的叶子之和。

  对于每一个决策节点 D n D_n Dn​来说，整个网络被表示为 D n = σ [ α ( w ⃗ n T ∗ X ⃗ − c n ) ] D_{n}=sigmaleft[alphaleft(vec{w}_{n}^{T} * vec{X}-c_{n}right)right] Dn​=σ[α(w nT​∗X −cn​)]，其中， X → overrightarrow{X} X 是输入数据，为环境状态， σ sigma σ是sigmoid函数， α alpha α是用于抑制决策节点的置信度，对树的置信度越低，决策的不确定性就越大，从而导致更多的探索。 w ⃗ n T ∗ X ⃗ − c n vec{w}_{n}^{T} * vec{X}-c_{n} w nT​∗X −cn​计算状态是否满足不等式， α alpha α与 σ sigma σ进行放缩。 α alpha α值大强调比较器和加权输入之间的差异，往中心反方向移动，概率区分度增大，从而推动树更布尔。 α alpha α值越低，差异向中心方向移动，概率接近0.5，树越平滑，而 α = 0 alpha=0 α=0​则产生一致的随机决策 。下面将以Cartpole为例，对文章提出的方法详细解读。Cartpole的状态空间是4维向量{cart position, cart velocity, pole angle, pole velocity}；动作空间是2维向量{left, right}。

3.2.1PROLONET初始化

  现有一条规则：如果小车的位置在中心的右边，向左移动；否则，向右移动，中心为0。用户指明位置是输入4维状态特征的第一个元素。初始化决策节点 D 1 D_1 D1​，权重和偏差为 w 1 → = [ 1 , 0 , 0 , 0 ] overrightarrow{w_{1}}=[1,0,0,0] w1​ ​=[1,0,0,0]， c 1 = 0 c_{1}=0 c1​=0如Alg1的5-8。接下来的11-13创造一个新的叶节点 l 1 → = [ 1 , 0 ] overrightarrow{l_{1}}=[1,0] l1​ ​=[1,0]表示向左， l 2 → = [ 0 , 1 ] overrightarrow{l_{2}}=[0,1] l2​ ​=[0,1]表示向右。最后，初始化路 Z ( l 1 → ) = D 1 Zleft(overrightarrow{l_{1}}right)=D_{1} Z(l1​ ​)=D1​和 ( l 2 → ) = ( ¬ D 1 ) left(overrightarrow{l_{2}}right)=left(neg D_{1}right) (l2​ ​)=(¬D1​)。由此产生的智能体动作的概率分布是一个softmax函数 ( D 1 ∗ l 1 → + ( 1 − D 1 ) ∗ l 2 → ) left(D_{1} * overrightarrow{l_{1}}+left(1-D_{1}right) * overrightarrow{l_{2}}right) (D1​∗l1​ ​+(1−D1​)∗l2​ ​)。处理完所有决策节点后，每个节点 D n D_n Dn​的值表示该条件为TRUE的可能性， ( 1 − D n ) (1-D_n) (1−Dn​)为FALSE。有了这些可能性，然后乘出不同路径到所有叶节点的概率。每个叶节点包含了一条路 z ∈ Z z in Z z∈Z，这是一组决策节点，应该是TRUE或FALSE，以便达到叶节点 l l l，计算每个输出动作的先验权值。例如，在上图中， z 1 = D 1 ∗ D 2 z_1=D_1*D_2 z1​=D1​∗D2​, z 3 = ( 1 − D 1 ) ∗ D 3 z_3=(1-D_1)*D_3 z3​=(1−D1​)∗D3​.在叶子节点中，通过将到达的概率乘以在叶节点内的输出的先验权重来确定。在计算每一个叶子的输出后，这些叶子被求和并通过一个softmax函数传递，以提供最终的输出分布。

3.2.2PROLONET推理

  假设小车当前状态为 X = [ 2 , 1 , 0 , 3 ] X=[2,1,0,3] X=[2,1,0,3]​​，决策树只有1个决策节点2个叶节点。根据决策节点的公式，在经过第一个节点 D 1 D_1 D1​​​之后， σ ( [ 1 , 0 , 0 , 0 ] ∗ [ 2 , 1 , 0 , 3 ] − 0 ) = 0.88 sigma([1,0,0,0] *[2,1,0,3]-0)=0.88 σ([1,0,0,0]∗[2,1,0,3]−0)=0.88​​，这意味着“基本是正确的"。这个概率通过各自的路径传播到两个叶子节点，使得网络的输出概率为
P out  = L 1 → ( σ 1 ∗ σ 2 ) + L 2 → ( σ 1 ∗ ( 1 − σ 2 ) ) ) = 0.88 ∗ [ 1 , 0 ] + ( 1 − 0.88 ) ∗ [ 0 , 1 ] ) = [ 0.88 , 0.12 ] P_{text {out }} =overrightarrow{L_{1}}left(sigma_{1} * sigma_{2}right)+overrightarrow{L_{2}}left(sigma_{1} *left(1-sigma_{2}right)right))\ =0.88 *[1,0]+(1-0.88) *[0,1])=[0.88,0.12] Pout ​=L1​ ​(σ1​∗σ2​)+L2​ ​(σ1​∗(1−σ2​)))=0.88∗[1,0]+(1−0.88)∗[0,1])=[0.88,0.12]
因此，智能体以 0.88 0.88 0.88的概率选择第一个动作，以 0.12 0.12 0.12概率选择第二个动作。

  参照文中的Cartpole启发式算法，绘制了PROLONET网络，如下所示。与作者提供的代码中建立的决策树不同，少1个决策节点和1个叶节点。转换规则如下：if条件语句不等号左用权重 ω n → overrightarrow{omega_n} ωn​ ​表示，对应位置元素为1，其余为0；不等号右用 c n c_n cn​表示；若符号为小于， ω n → overrightarrow{omega_n} ωn​ ​和 c n c_n cn​都乘 − 1 -1 −1​.​​

  在实际应用时，每个叶子节点会保存从初试节点到该叶子节点的路 z ∈ Z z in Z z∈Z的信息，方便计算 L i → overrightarrow{L_{i}} Li​ ​

3.2.3PROLONET动态增长

  为了使PROLONET体系结构能够在其初始定义的基础上继续增长，作者引入了一个动态增长过程，在Algorithm2和图3中描述了这个过程。初始化之后，PROLONET智能体会维护决策树网络两个副本。第一个是初始化的浅层网络，第二个是动态增长的深层网络，动态增长时，第二个网络每个叶子节点转化为随机初始化决策节点，并随机初始化决策节点的两个新的叶子节点。在每一Episode之后，在浅层和深层的网络上更新网络。更新后，比较浅层的叶子的熵和深层叶子的熵，当较深的叶子比较浅的叶子不均匀时，有选择地加深(第3-7行)。作者认为这种动态增长机制能提高稳定性和平均累积报酬。这会产生更多的参数学习更复杂的策略，但会增加随机性和不确定性，降低智能初始化的效用。由于智能体与环境交互，它依赖于较浅的网络来产生动作，因为较浅的网络代表了人类的领域知识。

  决策树动态增长机制依据ID3，以信息增益为准则来优化决策树。当浅层网络发现了一个局部最小值 l 1 = [ 0.5 , 0.5 ] l_{1}=[0.5,0.5] l1​=[0.5,0.5]​，我们希望决策树的决策节点对样本的分类越清晰越好，即纯度越来越高。显然， l 1 = [ 0.5 , 0.5 ] l_{1}=[0.5,0.5] l1​=[0.5,0.5]​不满足要求，对向左向右走模棱两可，需要深化决策树。当深化的网络发现了 l 3 = [ 0.9 , 0.1 ] l_{3}=[0.9,0.1] l3​=[0.9,0.1]​和 l 4 = [ 0.1 , 0.9 ] l_{4}=[0.1,0.9] l4​=[0.1,0.9]​，对向左向右走划分的十分清晰，此时节点纯度较高。我们用信息熵 H ( l i ) Hleft(l_{i}right) H(li​)​​对树的这种特性进行度量。
H = ∑ p l o g 2 p H=sum plog_2p H=∑plog2​p
H H H的值越小，则纯度越高，树的分类效果越好。如Algorithm2中8行，浅层的决策树的熵 H ( l i ) > ( H ( l d 1 ) + H ( l d 2 ) + ϵ ) Hleft(l_{i}right)>left(Hleft(l_{d 1}right)+Hleft(l_{d 2}right)+epsilonright) H(li​)>(H(ld1​)+H(ld2​)+ϵ)​​，说明深化后树熵减小，信息增益，纯度提高，决策更准确。

4.关键结果及结论是什么

  作者对提出的RL框架进行了两个互补的评估。第一个是具有专家初始化的受控研究。第二个评估是一个用户研究。这里主要介绍第一组评估实验。实验环境为《星际争霸2》(SC2)中宏观和微观战斗以及OpenAl Gym月球登陆器和推车杆环境。对比算法：除了上面所述的具有专家初始化PROLONET，还评估了多层感知器(MLP)和长短期记忆(LSTM) 智能体，带有随机初始化的PROLONET (random PROLONET)，启发式(Heuristic)算法，LOKI框架下训练的IL agent和DJJINN。LOKI代理使用与初始化PROLONET智能体相同的启发式进行监督。DJJINN最初的框架需要一个决策树学习标签数据集，作者进行了修改，允许初始化与手工决策树，为了比较，DJJINN初始化与PROLONET相同。

4.1实验环境及对比算法

4.1.1 Cart Pole

Cart Pole说明状态空间cart position, cart velocity, pole angle, pole velocity动作空间left, right 算法参数设置PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=2
PROLONET：
α = 1 α=1 α=1​​ ε = 0.19 ε=0.19 ε=0.19​​​​ 决策节点9，叶子节点11Random PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=2
LOKI强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=2
模仿次数N=200DJJINN同 PROLONETLSTMPPO ReLU
LSTM：
3-layer 4x4 – LSTM(4x4) – 4x2MLPPPO ReLU
MLP：
3-layer 4x4 – 4x4 – 4x2Heuristic(规则)

4.1.2 Lunar Lander

Lunar Lander说明状态空间8D:X_position, Y_position, velocity, angle, angular velocity, whether the left leg have touched down, whether the left leg have touched down动作空间4D:do nothing, left engine, main engine,right engine 算法参数设置PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4
PROLONET：
α = 1 α=1 α=1 ε = 0.19 ε=0.19 ε=0.19 决策节点14，叶子节点15Random PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4
LOKI强化参数：
PPO RMSProp γ=0.99 lr=0.01 parallels=4 batch_size=4
模仿次数：N=300DJJINN同 PROLONETLSTMPPO ReLU
LSTM：
3-layer 8x8 – LSTM(8x8) – 8x4MLPPPO ReLU
MLP：
3-layer 8x8 – 8x8 – 8x4Heuristic(规则)

4.1.3 FindAndDefeatZerglings

FindAndDefeatZerglings说明状态空间37D: allied units 3*{x_position, y_position, health,weapon_cooldown} nearest visible enemy units 5*{x_position, y_position, health,weapon_cooldown, is_baneling}动作空间10D:north, east, south, west, attack1, attack2, attack3, attack4, attack5, do nothing for every allied units 算法参数设置PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50
PROLONET：
α = 1 α=1 α=1 ε = 0.19 ε=0.19 ε=0.19 决策节点10，叶子节点11Random PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50
LOKI强化参数：
PPO RMSProp γ=0.99 lr=0.001 parallels=4 batch_size=4 time_steps=50
模仿次数：N=500DJJINN同 PROLONETLSTMPPO ReLU
LSTM：
7-layer 37x37 – LSTM(37x37) – 37x37 – 37x37 – 37x37 – 37x37– 37x10MLPPPO ReLU
MLP：
7-layer 37x37 – 37x37 – 37x37 – 37x37 – 37x37 – 37x37 – 37x10Heuristic(规则)

4.1.4 SC2LE

SC2LE（神族）说明状态空间联合单位数:36x1向量，其中每个索引对应于一种联合单位类型，值对应于这些单位的数量
等待单位数:如上所述，但用于当前正在生产中且还不存在的单元。
敌方单位数:112x1向量，其中每个索引对应于一种单位类型，值对应于这些类型中有多少是可见的。
玩家状态:9x1向量，玩家状态信息，包括矿物，瓦斯，供应等。动作空间如果考虑到每个单位动作数量可以达到数千个。 简单地将动作抽象为44个可用的动作：包括35个建筑和单位生产命令，4个研究命令，5个攻击、防御、收获资源、侦察和什么都不做的命令。 算法参数设置PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodes
PROLONET：
α = 1 α=1 α=1 ε = 0.19 ε=0.19 ε=0.19 决策节点9，叶子节点10Random PROLONET强化参数：
PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodesLOKI强化参数：
PPO RMSProp γ=0.99 lr=0.0001 parallels=4 batch_size=4 time_steps=4 episodes
模仿次数：N=1000DJJINN同 PROLONETLSTMLSTM：
7-layer 37x37 – LSTM(37x37) – 37x37 – 37x37 – 37x37 – 37x37– 37x10MLPPPO ReLU
MLP：
7-layer 193x193 – 193x193 – 193x193 – 193x193 – 193x193 –193x193 – 193x44Heuristic(规则)

4.2实验结果

cart pole、lunar lander和FindAndDefeatZerglings的架构比较。随着领域复杂性的增加，智能初始化变得越来越重要。

为了评估动态生长和智能初始化的影响，我们进行了消融研究，并将这些实验的结果包括在表1。对于每个N错误智能体，权重、比较器和叶子根据N随机负，每个类别最大为2N。

在《星际争霸2》的AI游戏中获胜率“All Others”包括4.1节中的所有其他智能体模型。

注意最后的策略并不是原始政策的翻版；相反，在整个训练过程中，它们会改变和偏离原来的内容。在下面的图中，比较了检查点模型和原始初始化。x轴对应的是检查点在实验中的距离，y轴对应的是初始化和检查点之间的平均均方误差。由于权重向量、比较器值和叶权值的均方误差可能存在显著差异，因此在y轴上使用对数尺度，以便无论原始值如何，都能清楚地看到趋势。注意，在每25%的训练或agent按照OpenAl Gym标准“解决”了域(推车杆500，月球登陆器200+)后进行检查点，这说明推车杆域的检查点密度更大。

5.创新点在哪里

1. 提出一种在可训练的RL框架中捕获人类领域的专业知识的方法PROLoNETS。
2. 我们将动态知识增长引入到PROLoNETS中，随着时间的推移，使其具有更强的表达能力，超过最初的初始化，并在月球着陆器领域产生两倍的平均回报。

6.有值得阅读的相关文献吗

LOKI：Cheng, C.-A.; Yan, X.; Wagener, N.; and Boots, B. 2018.Fast Policy Learning through Imitation and Reinforcement.arXiv preprint arXiv:1805.10413 .

DJINN：Humbird, K. D.; Peterson, J. L.; and McClarren, R. G. 2018.Deep Neural Network Initialization With Decision Trees.IEEE transactions on neural networks and learning systems .

7.综合评价又如何？

  文章提出了一种新的DRL代理体系结构PROLONETS，它允许智能体的智能初始化。PROLONETS赋予智能体在必要时增长网络容量的能力。PROLONETS允许普通用户初始化，并通过人工指令和RL的混合实现了高性能的策略。首先，该方法直接利用现有专家知识，优于在传统架构上的模仿和强化学习，更像人类学习方式。其次，智能初始化允许深度RL智能体在对随机初始化智能体来说过于复杂的环境中探索和学习，为Fast reinforcement learning提供了一条可用之路。