Review of TD-Leaf(lambda)
昨天报seminar的时候把TD-Leaf\((\lambda)\) 搞错了,23333.
本篇文章重新回顾一下Temporal Difference Learning,
主要包括TD\((0)\),TD\((1)\),TD\((\lambda)\),
最后再回顾一下TD-Leaf\((\lambda)\).
Paper的话大致是如下两篇:
KnightCap: A chess program that learns by combining TD(lambda) with game-tree search
TDLeaf(lambda): Combining Temporal Difference Learning with Game-Tree Search
0x01 TD\((\lambda)\)
设\(S\) 表示所有可能的Position的集合
在 \(t\) 时刻,agent的状态表示为 \(x_t\) ,且\(x_t \in S\)
\(A_{x_t}\) 表示在position \(x_t\)时的合法步的集合
当agent选择一个action \(a \in A_{x_t}\),
从状态\(x_t\)转化为\(x_{t+1}\),
我们把选择action \(a\)的概率记为\(p(x_t,x_{t+1},a)\)
这里的状态\(x_{t+1}\),表示在我方做出一个action,对方也做action后得到的状态。
比如2048,当前状态我们称为\(x_t\),此时,我们向上移动后,系统再随机产生一个方块,这时才算从状态\(x_t\)转移到了\(x_{t+1}\)。
当游戏结束时,agent会得到一个(scalar)reward,
通常获胜得到 \("1"\)分,平局得到 \("0"\)分,失败得到 \("-1"\)分。
当然,如果是2048的话,就是最后玩完游戏的总得分。
假设我们的游戏玩到结束用了\(N\)步,即游戏的 \(length=N\).
令\(r(x_N)\) 表示游戏结束时的reward.
假设agent从当前状态\(x\)选择某个action进行转移,则我们期望得到的reward可以表示为
\(J^{*}(x)\)表示从当前点往下走我们能得到的分数的期望。
当状态空间\(S\)很大时,我们无法将每一个状态\(x\)的\(J^{*}(x)\)值存起来
所以我们尝试用一些带参数的函数\(\widetilde{J}(.,w)\)来表示这个理想的函数\(J^{*}(x)\).
\(\widetilde{J}:S \times \mathbb{R}^{k}\rightarrow \mathbb{R}\)
\(\widetilde{J}(.,w)\)是一个可微函数,比如线性函数(linear function), 样条函数(splines), 神经网络(neural
networks),等等。
\(w=(w_1,...,w_k)\)是一个Vetcor。
很显然,在每一个状态,\(J^{*}(x)\)和\(\widetilde{J}(.,w)\)会有一个差值error,
我们的目标就是,找到vector $w \in \mathbb{R} $ 的参数,使得error最小,突然在这里想起了machine learning的gradient descent.
那么,TD\((\lambda)\)就是干这个事情的。
假设 \(x_1,...,x_{N-1},x_N\) 代表整个游戏的状态序列。
对于给定的向量\(w\),我们定义从\(x_t \rightarrow x_{t+1}\)的差值为temporal
difference:
对于$$J^{}(x_t)$$ 和 $$J^{}(x_{t+1})$$来说:
所以如果\(\widetilde{J}(.,w)\)足够接近\(J^{*}\),\(E_{x_{t+1|x_t}}d_t=0\)应该非常接近0.
前面我们有提到,游戏最后的reward是\(r(x_N)\),所以最后一个状态的temporal difference \(d_{N-1}\)满足:
也就是说\(d_{N-1}\)是 游戏最后的正确输出和倒数第二步的预测值的差值。
最后我们会得到下面的formula:
\(\nabla \widetilde{J}(.,w)\)是向量\(w\)在每个方向上的偏导,\(\alpha\)是learning rate, \(\lambda \in [0,1]\), 它根据时间来控\(d_t\)的反向传播,其实也很好理解,离要更新的状态越远,对它的影响就越小,所以\(\lambda^{m}\)的m就越大,值当热越小。
TD\((0)\)
如果 \(\lambda=0\),因为只有 \(0^0=1\),所以原来的公式就变为
TD\((1)\)
那就是,,全部都用最后一个状态更新 :
从一个状态转移到另一个状态,我们希望转移之后的$$\widetilde{J}({x_{a}}',w)$$最小。也就是:
对于2048,Backgammon这样的游戏,我们可以通过搜寻一步或者一层来评估盘面前后的差距,
但是对于西洋棋,象棋这样的游戏,仅仅搜寻一步,是很难进行精确预估的。
对于这些游戏,我们往往会使用min-max search,或者是用alpha-beta进行剪枝。
0x02 TD-Leaf\((\lambda)\)
那如果想把TD用到西洋棋上呢?这里我们把TD和Search结合起来使用。
对于TD\((\lambda)\),我们在计算每个状态的值时,仅仅使用$$\widetilde{J}(.,w)$$来计算, 而在这里,我们通过search \(d\)层,找到search之后叶节点中的最优值作为root节点的值,也就是当前状态的估计值。
如上图所示:
TD\((0)\),\(d_t\)的算法是前后两个状态的预估值相减
TD\((\lambda)\)则是从状态\(s_t\)到结束每两个状态的预估值都对其有贡献
TDLeaf\((\lambda)\)的特点在于,在计算每个状态$$ x_i $$的预估值时,会向下search \(d\) 层,并用叶节点的值表示$$x_i$$的预估值。
0x03 Conclusion
TDLeaf\((\lambda)\)是TD\((\lambda)\)的一个变种,使得TD可以在Min-Max search中train evaluation function.