論文題目:Preference Transformer: Modeling Human Preferences using Transformers for RL,ICLR 2023,5 6 6 8,poster。 pdf:https://arxiv.org/pdf/2303.00957.pdf h ...
- 論文題目:Preference Transformer: Modeling Human Preferences using Transformers for RL,ICLR 2023,5 6 6 8,poster。
- pdf:https://arxiv.org/pdf/2303.00957.pdf
- html:https://ar5iv.labs.arxiv.org/html/2303.00957
- open review:https://openreview.net/forum?id=Peot1SFDX0
- 項目網站:https://sites.google.com/view/preference-transformer
- GitHub:https://github.com/csmile-1006/PreferenceTransformer
論文題目:Preference Transformer: Modeling Human Preferences using Transformers for RL,ICLR 2023,5 6 6 8,poster。
pdf:https://arxiv.org/pdf/2303.00957.pdf
html:https://ar5iv.labs.arxiv.org/html/2303.00957
open review:https://openreview.net/forum?id=Peot1SFDX0
項目網站:https://sites.google.com/view/preference-transformer
GitHub:https://github.com/csmile-1006/PreferenceTransformer
內容總結
(為什麼感覺挺 A+B 的,有點想不明白為何會中…… 不過 writing 貌似很好)
提出了新的 preference model,σ0>σ1 的概率仍然是 exp / (exp + exp) 的形式,但 exp[] 裡面的內容從 reward 求和(discounted reward 求和)變成 Σ r · w,其中 w 是一個 importance weight。
這裡的 motivation:
① human preference 可能基於 non-Markovian reward,因此用 transformer 建模 trajectory,作為 reward model 的一部分;
② human 可能會關註關鍵幀,因此需要一個 importance weight,為先前提到的 non-Markovian reward 加權。
然後,利用 attention layer 的 key query value 形式,將 value 作為 reward,softmax(key · query) 作為 importance weight。(正好跟 attention 的形式 match 上)
0 abstract
Preference-based reinforcement learning (RL) provides a framework to train agents using human preferences between two behaviors. However, preference-based RL has been challenging to scale since it requires a large amount of human feedback to learn a reward function aligned with human intent. In this paper, we present Preference Transformer, a neural architecture that models human preferences using transformers. Unlike prior approaches assuming human judgment is based on the Markovian rewards which contribute to the decision equally, we introduce a new preference model based on the weighted sum of non-Markovian rewards. We then design the proposed preference model using a transformer architecture that stacks causal and bidirectional self-attention layers. We demonstrate that Preference Transformer can solve a variety of control tasks using real human preferences, while prior approaches fail to work. We also show that Preference Transformer can induce a well-specified reward and attend to critical events in the trajectory by automatically capturing the temporal dependencies in human decision-making.
background:
PbRL 框架用於在兩種行為之間使用 human preference 來訓練 agent。然而,需要大量 human feedback,來學習與人類意圖一致的 reward model。
method:
在本文中,我們介紹了 preference transformer,使用 transformer 架構模擬 human preference。
以前方法假設,人類判斷基於 Markovian reward,而 Markovian reward 對決策的貢獻相同。與先前工作不同,我們引入了一種 preference model,該模型基於 non-Markovian reward 的加權和。
然後,我們在 preference model 的 transformer 設計里,堆疊 causal self-attention layers 和 bidrectional self-attention layers。
results:
Preference Transformer 可以使用真實 human feedback 來解決各種控制任務,而以前的方法無法奏效。
Preference Transformer 可以通過自動捕獲人類決策中的時間依賴性(temporal dependencies),來得到一個 well-specified reward 並關註軌跡中的關鍵事件。
open review 與項目網站
open review:
主要貢獻:① 提出了一個基於 non-Markovian reward 加權和的新 preference model,② 引入 PT 來模擬所提出的 preference model。
如果獎勵實際上是 non-Markovian 的,那麼 Transformer 的想法是有動機的(well motivated)。
The paper is well written. 論文寫得很好。
scripted evaluation(大概是 scripted teacher)使用 Markovian reward,但 NMR(non-Markovian reward)和 PT 仍能在多個領域優於 MR(Markovian reward)變體。這需要得到更好的解釋和評估。事實上,應該使用 non-Markovian reward 進行評估。
項目網站:
Preference Transformer 將 trajectory segment 作為輸入,從而提取與任務相關的歷史信息。
通過堆疊 bidirectional 和 causal self-attention layers,Preference Transformer 生成 non-Markovian reward 和重要性權重(importance weights)作為輸出。(貌似 importance weight 越高,某幀在整個 trajectory 里越重要)
我們利用它們來定義 preference model,併發現 PT 可以得到 better-shaped reward,並從 human preference 中關註關鍵事件。
實驗證明,PT 可用於學習複雜的新行為(Hopper 多次後空翻),這很難設計合適的獎勵函數。與單個後空翻相比,這項任務更具挑戰性,因為獎勵函數必須捕獲 non-Markovian 上下文,包括旋轉次數(有必要嘛?)。觀察到,PT agent 在穩定著陸的情況下執行多個後空翻,而基於 MLP 的 Markovian reward 的 agent 很難著陸。
1 基於 non-Markovian reward 的 preference model
motivation:
首先,在許多情況下,很難使用 Markovian reward 來給出任務的描述。
此外,由於人類對於非凡的時刻很敏感,因此可能需要在軌跡內分配 credit(大概是權重的意思)。
non-Markovian reward function:
reward function 的輸入:先前的完整的 sub-trajectory。
同時再整一個權重函數 w = w({s, a, s, ...}),其輸入也是 t 時刻之前的完整 sub-trajectory。
用 r(τ) · w(τ) 來改寫
�
(
�
1
≻
�
0
)
=
[
exp
(
∑
�
�
(
�
�
)
⋅
�
(
�
�
)
)
]
/
[
exp
(
∑
�
⋅
�
)
�
0
+
exp
(
∑
�
⋅
�
)
�
1
]
的公式。
2 PT 的架構
感覺 causal transformer 相對好理解,以及 GPT 具有 causally masked self-attention。
preference attention layer:
causal transformer 生成的 {x, x, ...} sequence,過一個線性層,會得到它們的 key query value。
認為得到的這個 value 就是 reward,而 key 與 query 相乘再 softmax(保證>0)則是權重。
好像這隻是一個 reward model,而非 RL policy(?)
學到 reward model 後,還需要使用 IQL 學 policy…
3 PT 的訓練與 inference
training:最小化 cross-entropy loss
�
=
−
�
[
(
1
−
�
)
log
�
[
�
0
≻
�
1
]
+
�
log
�
[
�
1
≻
�
0
]
]
,其中 y 是 label,P 是我們訓練的概率。
inference:如何得出 agent 的 reward。
好像是直接拿 reward(而非 reward · importance weight)來做。
大致流程:拿 st, at, s, ... 送進 causal transformer,然後得到 xt, ...,送進 preference attention layer,得到 r hat,單獨取出 r hat。
4 experiments
關註的問題:
Preference Transformer 能否使用真實的人類偏好解決複雜的控制任務?
PT 能否 induce 一致(consistent)的 reward 並關註關鍵事件?
PT 在合成偏好(synthetic preferences,即 scripted teacher setting)中的表現如何?
baseline:
技術路線:preference → reward model → IQL。
1 MLP 的 Markovian reward。
2 基於 LSTM 的 non-Markovian reward。
results:
PT 在幾乎所有任務中,都始終優於所有 baselines。特別的,只有 PT 幾乎將 IQL 的性能與使用 ground-truth reward 相匹配,而 baselines 在困難的任務中基本不 work。
讓 PT 和 Markovian 或 LSTM agent 分別生成 trajectory,讓 human 評價哪個更好,human 評價 PT 更好。
在所謂的“PT 是否可以誘導(induce)一個明確(well-specified)的獎勵”這一段,好像也只是感性分析了一下…
在比較 scripted teacher 和 human 時,因為 scripted teacher 不能理解 contex,所以 human preference 反而在簡單任務上表現更好;並且,它們的 preference 會在簡單的 grid-world 中發生分歧。
學習複雜的新行為:很炫酷的 hopper 空中多個後空翻的 demo。
5 好像很有道理的 future work
在 RL 或 PbRL 中利用重要性權重,或許可以用於對信息量更大的 query / samples 進行採樣,這可以提高 sample-efficiency。
使用重要性權重,通過加權更新,來穩定 Q 學習。
與其他偏好模型結合:例如 Knox et al.(2022)的基於 regret 的 preference model(title: Models of human preference for learning reward functions),儘管他們提出的方法基於幾個假設(例如,生成後續特征(Dayan,1993;Barreto et al., 2017)),與基於遺憾的模型相結合會很有趣。
內容總結
- (為什麼感覺挺 A+B 的,有點想不明白為何會中…… 不過 writing 貌似很好)
- 提出了新的 preference model,σ0>σ1 的概率仍然是 exp / (exp + exp) 的形式,但 exp[] 裡面的內容從 reward 求和(discounted reward 求和)變成 Σ r · w,其中 w 是一個 importance weight。
- 這裡的 motivation:
- ① human preference 可能基於 non-Markovian reward,因此用 transformer 建模 trajectory,作為 reward model 的一部分;
- ② human 可能會關註關鍵幀,因此需要一個 importance weight,為先前提到的 non-Markovian reward 加權。
- 然後,利用 attention layer 的 key query value 形式,將 value 作為 reward,softmax(key · query) 作為 importance weight。(正好跟 attention 的形式 match 上)
0 abstract
Preference-based reinforcement learning (RL) provides a framework to train agents using human preferences between two behaviors. However, preference-based RL has been challenging to scale since it requires a large amount of human feedback to learn a reward function aligned with human intent. In this paper, we present Preference Transformer, a neural architecture that models human preferences using transformers. Unlike prior approaches assuming human judgment is based on the Markovian rewards which contribute to the decision equally, we introduce a new preference model based on the weighted sum of non-Markovian rewards. We then design the proposed preference model using a transformer architecture that stacks causal and bidirectional self-attention layers. We demonstrate that Preference Transformer can solve a variety of control tasks using real human preferences, while prior approaches fail to work. We also show that Preference Transformer can induce a well-specified reward and attend to critical events in the trajectory by automatically capturing the temporal dependencies in human decision-making.
- background:
- PbRL 框架用於在兩種行為之間使用 human preference 來訓練 agent。然而,需要大量 human feedback,來學習與人類意圖一致的 reward model。
- method:
- 在本文中,我們介紹了 preference transformer,使用 transformer 架構模擬 human preference。
- 以前方法假設,人類判斷基於 Markovian reward,而 Markovian reward 對決策的貢獻相同。與先前工作不同,我們引入了一種 preference model,該模型基於 non-Markovian reward 的加權和。
- 然後,我們在 preference model 的 transformer 設計里,堆疊 causal self-attention layers 和 bidrectional self-attention layers。
- results:
- Preference Transformer 可以使用真實 human feedback 來解決各種控制任務,而以前的方法無法奏效。
- Preference Transformer 可以通過自動捕獲人類決策中的時間依賴性(temporal dependencies),來得到一個 well-specified reward 並關註軌跡中的關鍵事件。
open review 與項目網站
- open review:
- 主要貢獻:① 提出了一個基於 non-Markovian reward 加權和的新 preference model,② 引入 PT 來模擬所提出的 preference model。
- 如果獎勵實際上是 non-Markovian 的,那麼 Transformer 的想法是有動機的(well motivated)。
- The paper is well written. 論文寫得很好。
- scripted evaluation(大概是 scripted teacher)使用 Markovian reward,但 NMR(non-Markovian reward)和 PT 仍能在多個領域優於 MR(Markovian reward)變體。這需要得到更好的解釋和評估。事實上,應該使用 non-Markovian reward 進行評估。
- 項目網站:
- Preference Transformer 將 trajectory segment 作為輸入,從而提取與任務相關的歷史信息。
- 通過堆疊 bidirectional 和 causal self-attention layers,Preference Transformer 生成 non-Markovian reward 和重要性權重(importance weights)作為輸出。(貌似 importance weight 越高,某幀在整個 trajectory 里越重要)
- 我們利用它們來定義 preference model,併發現 PT 可以得到 better-shaped reward,並從 human preference 中關註關鍵事件。
- 實驗證明,PT 可用於學習複雜的新行為(Hopper 多次後空翻),這很難設計合適的獎勵函數。與單個後空翻相比,這項任務更具挑戰性,因為獎勵函數必須捕獲 non-Markovian 上下文,包括旋轉次數(有必要嘛?)。觀察到,PT agent 在穩定著陸的情況下執行多個後空翻,而基於 MLP 的 Markovian reward 的 agent 很難著陸。
1 基於 non-Markovian reward 的 preference model
- motivation:
- 首先,在許多情況下,很難使用 Markovian reward 來給出任務的描述。
- 此外,由於人類對於非凡的時刻很敏感,因此可能需要在軌跡內分配 credit(大概是權重的意思)。
- non-Markovian reward function:
- reward function 的輸入:先前的完整的 sub-trajectory。
- 同時再整一個權重函數 w = w({s, a, s, ...}),其輸入也是 t 時刻之前的完整 sub-trajectory。
- 用 r(τ) · w(τ) 來改寫 �(�1≻�0)=[exp(∑��(��)⋅�(��))]/[exp(∑�⋅�)�0+exp(∑�⋅�)�1] 的公式。
2 PT 的架構
- 感覺 causal transformer 相對好理解,以及 GPT 具有 causally masked self-attention。
- preference attention layer:
- causal transformer 生成的 {x, x, ...} sequence,過一個線性層,會得到它們的 key query value。
- 認為得到的這個 value 就是 reward,而 key 與 query 相乘再 softmax(保證>0)則是權重。
- 好像這隻是一個 reward model,而非 RL policy(?)
- 學到 reward model 後,還需要使用 IQL 學 policy…
3 PT 的訓練與 inference
- training:最小化 cross-entropy loss �=−�[(1−�)log�[�0≻�1]+�log�[�1≻�0]] ,其中 y 是 label,P 是我們訓練的概率。
- inference:如何得出 agent 的 reward。
- 好像是直接拿 reward(而非 reward · importance weight)來做。
- 大致流程:拿 st, at, s, ... 送進 causal transformer,然後得到 xt, ...,送進 preference attention layer,得到 r hat,單獨取出 r hat。
4 experiments
關註的問題:
- Preference Transformer 能否使用真實的人類偏好解決複雜的控制任務?
- PT 能否 induce 一致(consistent)的 reward 並關註關鍵事件?
- PT 在合成偏好(synthetic preferences,即 scripted teacher setting)中的表現如何?
baseline:
- 技術路線:preference → reward model → IQL。
- 1 MLP 的 Markovian reward。
- 2 基於 LSTM 的 non-Markovian reward。
results:
- PT 在幾乎所有任務中,都始終優於所有 baselines。特別的,只有 PT 幾乎將 IQL 的性能與使用 ground-truth reward 相匹配,而 baselines 在困難的任務中基本不 work。
- 讓 PT 和 Markovian 或 LSTM agent 分別生成 trajectory,讓 human 評價哪個更好,human 評價 PT 更好。
- 在所謂的“PT 是否可以誘導(induce)一個明確(well-specified)的獎勵”這一段,好像也只是感性分析了一下…
- 在比較 scripted teacher 和 human 時,因為 scripted teacher 不能理解 contex,所以 human preference 反而在簡單任務上表現更好;並且,它們的 preference 會在簡單的 grid-world 中發生分歧。
- 學習複雜的新行為:很炫酷的 hopper 空中多個後空翻的 demo。
5 好像很有道理的 future work
- 在 RL 或 PbRL 中利用重要性權重,或許可以用於對信息量更大的 query / samples 進行採樣,這可以提高 sample-efficiency。
- 使用重要性權重,通過加權更新,來穩定 Q 學習。
- 與其他偏好模型結合:例如 Knox et al.(2022)的基於 regret 的 preference model(title: Models of human preference for learning reward functions),儘管他們提出的方法基於幾個假設(例如,生成後續特征(Dayan,1993;Barreto et al., 2017)),與基於遺憾的模型相結合會很有趣。