TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING

TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING
发表时间：2018（ICLR 2018）
文章要点：这篇文章设计了特别的网络结构，将树结构嵌入到神经网络中，实现了look-ahead tree的online planning，将model free和online planning结合起来，并提出了TreeQN和ATreeC算法。并且这个树结构是可微的，这样可以和RL一起进行end-to-end的训练。
具体的，通常的DQN网络是长这样的
TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING
这篇文章的想法就是将/(z_t/)展开成树结构，往前推几步再估计/(Q/)。具体做法就是训练一个encoder function把真实环境的状态变成潜空间状态/(z_t/)，transition function往前推，reward function预测reward，value function预测value，backup function来做树的backup。每次输入一个状态/(s_t/)，encoder function转成/(z_t/)，然后遍历所有动作，用transition function往前推/(k/)步，然后计算每条轨迹的value，通过backup计算出对应的每个动作的/(Q/)值。这样一来，网络的输入还是状态/(s_t/)，输出还是对应的每个动作的/(Q/)值，其他所有的模型都在这个网络里面了，比如transition，value，backup。
然后里面这个/(Q/)和/(V/)用/(TD(/lambda)/)的方式计算

DQN的更新用n-step return计算
TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING
就相当于整个强化算法还是没变，只是网络结构里面嵌入了一个递归的结构来做树的planning。注意这里的n-step return的更新都用的环境返回的真实的值，也就是基于真实状态得来的，而上面的（3）（4）计算Q和V是解释的里面根据transition算出来的Q和V。当DQN的更新越来越准之后，树planning出来的Q和V就会和n-step return一样了，但是planning中间step计算的值不一定就准，因为这里面没有加这个约束。比如我的tree的planning的深度是3步，那么1步和2步的值不一样就一样，但是3步输出的Q就和真正环境的Q一样了。另外，为了使得中间step的值和状态和真实的一样，还可以加上reward的约束和state的约束，比如

不过作者的实验表示。Reward的约束有效果，state的约束没啥用。
另外对于ATREEC来说，就是最后在Q的基础上加个softmax变成一个policy策略
TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING
剩下的更新就和AC的更新没区别了。
总结：挺有意思的思路，可以无缝衔接到各种算法里面，效果也有一定提升，这种隐式的planning以及end-to-end的训练不需要做额外的改动，很简洁，如果以后在很多环境上都有不错的效果提升的话，应该会大规模应用的。目前看起来好像没有火起来，可能是因为学model不容易，而且planning的计算量也不小。
疑问：只做了浅层的展开，最多展开了3层，可能有一定效果，但是深了之后提升的效果就和浅层的区别不大了。这个是不是说提升的上限就到了？还是说model error的问题就显现出来了？
TREEQN AND ATREEC: DIFFERENTIABLE TREE-STRUCTURED MODELS FOR DEEP REINFORCEMENT LEARNING