标签：不同的 led ted max tree isod 实验 通过 直接
立帖要读paper，已经过了快两周了，还一篇博文都没发出来，略汗。
今天第一篇，读的是今年ICML的十年Test of Time Award得奖论文Combining Online and Offline Knowledge in UCT，来自Sylvain Gelly和David Silver，发表于十年前的ICML 2007（所以，我还是没有开始讨论今年的paper...）。作者Sylvain Gelly现在Google Brain。David Silver现在在DeepMind任职，是AlphaGo的主要领导者之一，也是AlphaGo的Nature论文的并列第一作者。这篇获奖文章中提出的想法，后来被广泛运用到围棋程序中，AlphaGo也从中得到了很多养分。这届ICML的十年大奖颁给这篇文章，应当多少也有向AlphaGo致意的意思吧。
这篇文章提出了经典的UCT算法的三个改进，让其性能得到了大幅提升。这里的UCT算法开创了Monte-Carlo Tree Search，其想法也很简单易懂，由下面两个式子决定：
$$Q_{UCT}^{\bigoplus}(s, a) = Q_{UCT}(s, a) + c\sqrt{\frac{\log n(s)}{n(s, a)}}$$
$$\pi_{UCT}(s) = \arg\max_a Q_{UCT}^\bigoplus (s, a)$$
这里\(Q_{UCT}\) 是UCT的value function，\(n(s)\)和\(n(s, a)\)分别是状态s和状态-动作对(s, a)的访问计数，\(n(s)=\sum_a n(s, a)\)，即在搜索或者学习的过程中经历s或者(s, a)的次数，\(\pi_{UCT}(s)\)是UCT算法的最终策略，在状态s处选择执行动作\(\pi(s)\)。\(Q_{UCT}(s, a)\)通过下面的Monte-Carlo学习方法来学：
$$Q_{UCT}(s, a)\leftarrow Q_{UCT}(s, a) + \frac{1}{n(s, a)}[R - Q_{UCT}(s, a)]$$
这里R是在状态s执行动作a之后得到的reward。每一个episode\(s_1, a_1, s_2, a_2, ..., s_T, a_T\)结束之后，可以用这个式子来更新所有的\(Q_{UCT}(s_t, a_t)\)。
UCT的树搜索算法保留三个表\(Q_{UCT}(s, a)\)，\(n(s, a)\)和\(n(s)\)，然后每到一个状态s，就开始按照自己的policy进行simulation，simulation一直进行到episode结束，得到simulated reward，据此更新这三个表，当设定的思考时间到之后，再根据UCT计算出应当选择的动作。UCT算法基于更之前的Upper Confidence Bound (UCB)方法，value function \(Q_{UCT}\)保证了算法的正确性，即看过足够量的数据之后根据这个value function进行决策保证最优；另一方面\(\sqrt{\log n(s) / n(s, a)}\)一项鼓励尝试各种不同的动作，而分子中的\(\log n(s)\)同时保证最终这一鼓励探索的一项将会变得可以忽略。
再回到这篇获奖文章本身，它提出了三个想法，所有的想法都在当时尚未解决的9x9围棋上进行验证：
第一，默认策略。在UCT算法中，如果某一个状态s尚有未被探索过的动作，则在simulation进行到该处或环境状态变为该状态后，UCT会在未被探索过的所有a中随机选择一个。这篇文章提出，使用这样的随机策略远非最优，我们可以使用一个默认策略，用它进行决策。而这个默认策略可以通过offline的self-play学到。这是个很简单的想法，实验验证这一想法对效果提升有少量帮助。
第二，Rapid Action Value Estimation (RAVE)。这个想法的提出是为了快速的得到一个不错的value function estimate。在大状态空间的环境中，要想有效地探索所有的状态非常困难，一个agent无法用足够多的经验去准确估计大部分状态的value function。RAVE这个想法说的是，在一个episode\(s_1, a_1, s_2, a_2, ..., s_T, a_T\)中，我们并不单单只是用最后的reward R去更新所有对应的\((s_t, a_t)\)对，而是同时也更新\((s_t, a_{t‘}), \forall t‘>t\)。即把所有t时刻以后的适用的动作都当做是直接作用在\(s_t\)上，即便它可能发生在很远以后才遇到的\(s_{t‘}\)状态中。这样就能显著地提高每一个\((s, a)\)对的数据量，快速的得到一个较好的Q函数。RAVE这个办法对于围棋非常有效，因为某一盘面后的很多着法对于当前的盘面都是不错的选择。但对于其他更通用的场景这个想法不一定能很好的适用。而且，这个方法虽然能够快速得到准确的Q函数估计，但它实质上会引入一些bias，毕竟后面发生的事情并不能直接当做发生在当下，所以使用时还需要一些合适的weighting，才能让其能不跑偏。
第三，node prior。在UCT中\(Q(s, a)\)通常初始化为第一次的reward，\(n(s, a)\)通常初始化为1，这篇文章提出可以用一个prior，特别是Q可以通过offline的self-play学到，并作为prior。实验中这个想法的效果也很突出。
读这篇文章的时候最大的感觉就是，十年前AlphaGo的雏形Monte-Carlo Tree Search其实已经出来了，当时距离最近的AlphaGo最主要的差别就是神经网络。而现在神经网络加上MCTS已经成为了完整信息game play的标配。
ICML 2017 Reading (1): Combining Online and Offline Knowledge in UCT
标签：不同的 led ted max tree isod 实验 通过 直接
原文地址：http://www.cnblogs.com/alexdeblog/p/7363014.html
