PbRL | RIME：用交叉熵 loss 大小分辨 preference 是否正确 + 内在奖励预训练 reward model


0 abstract

Preference-based Reinforcement Learning (PbRL) circumvents the need for reward engineering by harnessing human preferences as the reward signal. However, current PbRL methods excessively depend on high-quality feedback from domain experts, which results in a lack of robustness. In this paper, we present RIME, a robust PbRL algorithm for effective reward learning from noisy preferences. Our method utilizes a sample selection-based discriminator to dynamically filter out noise and ensure robust training. To counteract the cumulative error stemming from incorrect selection, we suggest a warm start for the reward model, which additionally bridges the performance gap during the transition from pre-training to online training in PbRL. Our experiments on robotic manipulation and locomotion tasks demonstrate that RIME significantly enhances the robustness of the state-of-the-art PbRL method. Code is available at https://github.com/CJReinforce/RIME_ICML2024.

  • background 和 gap：基于偏好的强化学习 （PbRL） 通过利用人类偏好作为奖励信号，来规避奖励工程的需求。然而，目前的 PbRL 方法过度依赖专家的高质量反馈，导致缺乏鲁棒性。
  • method：在本文中，我们介绍了 RIME，这是一种鲁棒的 PbRL 算法，用于从嘈杂的偏好中有效地进行奖励学习。
    • 1 利用一个基于样本选择的鉴别器（discriminator），动态过滤噪声，确保鲁棒训练。
    • 2 为了抵消因错误选择而产生的累积误差（？），提出 reward model 的热启动（warm start），这进一步弥合了 PbRL 中的 pretrain → 正式训练 的性能差距。
  • 实验：在机器人操作（Meta-world）和运动任务（DMControl）上的实验表明，RIME 显著增强了最先进的 PbRL 方法（指 pebble）的稳健性。

1 intro

  • background：PbRL 省去 reward engineering，PbRL 好。
  • gap 1：PbRL 假设 preference 都是专家打的、没有错误，但人类是容易犯错的。
  • gap 2：从 noisy 的标签中学习，也称为鲁棒训练。
    • Song et al. （2022） 将鲁棒训练方法分为四个关键类别：鲁棒架构 （Cheng et al.， 2020）、鲁棒正则化 （Xia et al.， 2020）、鲁棒损失设计 （Lyu & Tsang， 2019） 和样本选择 （Li et al.， 2020;Song 等人，2021 年）。
    • 然而，把它们整合到 PbRL 中很难，貌似因为 1 需要大量样本，而 PbRL 的 feedback 数量（我们常跑的几个 benchmark）最多几万；2 RL 训练期间有 distribution shift，破坏了 i.i.d（独立同分布）输入数据的假设，这是支持稳健训练方法的核心原则。
  • 我们提出了 RIME（Robust preference-based reInforcement learning via warM-start dEnoising discriminator），据他们声称是第一个研究 PbRL noisy label 的工作（？）
  • 主要方法：
    • 1 使用一个 discriminator，用一个阈值找到认为正确的样本 \(\mathcal D_t\)，再用一个阈值找到 看起来很错误的样本 \(\mathcal D_f\)，将其翻转，最后我们使用的样本是 \(\mathcal D_t \cup\mathcal D_f\) 。
    • 具体的，这里的阈值是交叉熵 loss，有一个理论，感觉很 intuitive，是好工作ww
    • 2 用预训练的 intrinsic reward，初始化训一下 reward model。
    • 具体的，要在预训练时就归一化 intrinsic reward 到 (-1,1)，这是因为 reward model 一般采用 tanh 做激活函数，而 tanh 的输出是 (-1,1)。
  • PbRL。
  • learning from noisy labels：
    • 把 intro 的介绍又说了一遍。
    • 提到，在 PbRL 背景下，Xue 等人（2023 年）提出了一种编码器-解码器架构，来模拟不同的人类偏好，但是相比 RIME 的工作，大概需要 100 倍的 preference 数量。
  • Policy-to-Value Reincarnating RL（PVRL）：
    • Reincarnate：vt，使投胎、转世、赋予新形体。
    • PVRL，指将次优的 teacher policy 转移到一个 value-based 的 student RL agent（Agarwal 等人，2022 年）。
    • 启发：Uchendu et al. （ 2023） 发现，PVRL 中随机初始化的 Q 网络，会导致 teacher policy 很快被遗忘。
    • gap：在广泛采用的 PbRL pipeline 中，PVRL 挑战也出现在从 pretrain 到 online training 的过渡过程中，但在以前的研究中被忽视了。在 noisy feedback 下，忘记预训练策略的问题变得更加重要，详见第 4.2 节。
    • （这里的预训练指的是 pebble 等工作的 比如说 最大熵预训练策略。
    • 引出 reward model 的热启动。

3 preliminaries

  • PbRL。
  • Unsupervised Pre-training in PbRL：讲了 pebble 的预训练。
  • Noisy Preferences in PbRL：讲了 BPref 的模仿人类 scripted teacher，使用 error teacher。

4 method: RIME

4.1 RIME 的 denoising discriminator

  • 省流：用各个 (σ0, σ1, p) 的 CELoss 大小，来判断它是正确 / 错误样本，并翻转所有错误样本的 p。
  • 为什么用交叉熵 loss 来判断 是 正确 / 错误样本？
    • 现有研究表明，深度神经网络首先学习可泛化的模式，然后再过度拟合数据中的噪声（Arpit et al., 2017; Li 等人, 2020 年）。
    • 因此，将与较小损失相关的 sample 优先为正确样本，是提高稳健性的有充分依据的方法。（其实没太理解）
  • 回顾 交叉熵与 KL 散度的关系 。
  • 如何确定交叉熵 loss 的阈值？
    • 定理 4.1，假设干净数据的 x 交叉熵 loss 以 ρ 为界，即 \(\mathcal L^\text{CE}(x)\le\rho\) ；则有，损坏样本 x 的预测偏好 \(P_\psi(x)\) ，和 \(\tilde y(x)=1-y\) 之间的 KL 散度，下限为 \(D_{\mathrm{KL}}(\tilde{y}(x)\parallel P_{\psi}(x))\geq-\ln\rho+\frac{\rho}{2}+O(\rho^{2})\) 。
    • 然后，我们制定 KL 散度阈值的下限 \(\tau_\text{base}=\ln \rho+\alpha\rho\)，以过滤掉不可信样本。其中，\(\rho\) 表示上次更新期间观察到的 可信样本的最大交叉熵 loss，\(\alpha\in(0,0.5]\) 是可调的超参数。
    • 但是还要考虑 distribution shift 问题。为了在 distribution shift 的情况下，增加对干净样本的 tolerance，我们引入一个辅助项 \(\tau_\text{unc}=\beta_t\cdot s_\mathrm{KL}\) ，来表征过滤的不确定性，其中 \(\beta_t=\max(\beta_\min,\beta_\max-kt)\) 是随时间变化的参数（β max = 3, β min = 1）， \(s_\mathrm{KL}\) 是 KL 散度的标准差（看起来是 \(D_{\mathrm{KL}}(\tilde{y}(x)\parallel P_{\psi}(x))\) 的 KL 散度）。这里的 intuition 是，训到 OOD 数据可能导致 CELoss 的波动（其实也没太听懂）
  • 算法流程：
    • \(\rho\) 初始化为正无穷。
    • 识别可信样本的数据集： \(D_t=\{(\sigma^0,\sigma^1,\tilde{y}) | D_{\mathrm{KL}}(\tilde{y}\parallel P_\psi(\sigma^0,\sigma^1))<\tau_{\mathrm{lower}}\}\) ，其中 \(\tau_{\mathrm{lower}}=\tau_{\mathrm{base}}+\tau_{\mathrm{unc}}=-\ln\rho+\alpha\rho+\beta_{t}\cdot s_{\mathrm{KL}}\)，\(\alpha\in(0,0.5]\) 是超参数。
    • 识别不可信样本的数据集： \(D_f=\{(\sigma^0,\sigma^1,\tilde{y}) | D_{\mathrm{KL}}(\tilde{y}\parallel P_\psi(\sigma^0,\sigma^1))>\tau_{\mathrm{upper}}\}\) ， \(\tau_{\mathrm{upper}}\) 貌似是预先定义的值，定义成 \(3\ln(10)\) 了。 然后翻转 Df，将翻转后的 Df 与 Dt 并起来，拿去训 reward model，并加入可信样本数据集。
    • 使用最新的 可信样本的最大交叉熵 loss 值更新 \(\rho\)。

4.2 reward model 的 warm start

  • 省流：用 intrinsic reward 训一下 reward model。
  • 观察：
    • 观察到在从预训练到在线训练的过渡过程中，性能显著下降（见图 2）。在 noisy feedback 的 setting 下，这种差距是可以明显观察到的，并且对鲁棒性是致命的。
    • 在预训练后，PEBBLE 会重置 Q 网络，仅保留预训练的 policy。由于 Q 网络学的是最小化 noisy feedback 的 reward model 下的 TD-error，因此这种 biased Q 函数会导致 policy 学的不好，从而抹去预训练期间的收益。
  • reward model 的 warm start：
    • 具体来说，我们在预训练阶段，先拿 intrinsic reward 训一下 reward model。
    • 由于 reward model 的输出层通常使用 tanh 激活函数（Lee et al.， 2021b），因此我们首先将内在奖励归一化到 (-1,1)，使用当前已获得的 intrinsic reward 的 mean \(\hat{r}\) 和 variance \(\sigma_r\) 来做： \(r_{\mathrm{norm}}^{\mathrm{int}}(\mathbf{s}_t)=\mathrm{clip}(\frac{r^{\mathrm{int}}(\mathbf{s}_t)-\hat r}{3\sigma_r},-1+\delta,1-\delta)\) 。
    • 预训练 reward model 的数据，貌似就是 \((s_t,a_t,r_{\mathrm{norm}}^{\mathrm{int}},s_{t+1})\) ，而不是用 segment 的形式。（这里提到一个最近邻，我没太看懂w）

4.3 整体算法流程

在附录 A 放了伪代码。在附录 A 放伪代码，真是好文明。

关键点：

  • 预训练与 reward model 的 warm start：
    • 第 5 行，收集的 intrinsic reward 是归一化过的。
    • 第 10 行，训 reward model 用的是 \(r_{\mathrm{norm}}^{\mathrm{int}}\) 与 \(\hat{r}\) 的 MSE，而非 segment。
  • 鉴别错误 preference 的 denoising discriminator：
    • 第 13 行，初始化 ρ 为正无穷。
    • 第 19 行，算 辨别可信样本的阈值 τ lower。
    • 第 24 行，用 可信样本 ∪ 错误样本翻转 的数据集，来算新 ρ，其中 ρ 是 KL 散度的下界。

5 experiments

  • setting：跟 pebble 一样，三个 DMControl + 三个 Meta-world。
  • baselines： pebble、surf、rune、MRN（MRN 我还没看）。
  • error rate（即随机挑选 (σ0,σ1,p) 并翻转 p 的概率）是 0.1 到 0.3。
  • 大量 ablation：
    • 在 Appendix D.3 尝试了更多种 noisy teacher，放在正文的表比的是 各种 noisy teacher 的 average。
    • 与其他稳健的训练方法的比较：自适应去噪训练 （ADT）（Wang 等人，2021 年），即丢弃一定比例的 CELoss 大的样本，貌似效果不错；使用 MAE 和 t-CE 作为替代 CELoss（？）的损失函数；使用标签平滑 （LS）来处理所有 preference label（？）。
    • 居然有真 human，见 Appendix D.4。总反馈量和每个会话的反馈量分别为 100 和 10。任务是 hopper 后空翻（真假的，这么好学（？）难道 hopper 后空翻是一个 只要控制变量拉到极限 就能一直后空翻 的任务嘛）。但是怎么截图变成了 OpenAI gym 而非 DMControl。
    • 增加 feedback 总数，可以有效提升性能。
    • 各个模块是否有效？当反馈数量相当有限时（即，在Walker-walk上），热启动对于鲁棒性至关重要，可以节省 query 数量。


posted @ 2024-07-25 16:10  MoonOut  阅读(116)  评论(0)  编辑  收藏  举报