Кіріспе
Мәшинелік оқытудағы ресурстық проблема Ықтималдық теориясы мен машиналық оқытуда көп қарулы қарақшы мәселесі (кейде K немесе N қарулы қарақшы мәселесі деп аталады) - шешім қабылдаушы бірнеше тұрақты таңдаулардың (яғни қару немесе іс-әрекеттер) біреуін қайталап таңдаған кезде, әр таңдаудың қасиеттері тек бөліп беру кезінде ғана белгілі болады және уақыт өткен сайын жақсы түсінілуі мүмкін. Бандит проблемаларының негізгі аспектісі - қолды таңдау қолдың немесе басқа қолдардың қасиеттеріне әсер етпейді. Көп қарулы қарақшы проблемасының мысалдары, өкініштілікті азайтатын бәсекелестік (баламалы) таңдаулар арасында ресурстардың белгіленген, шектеулі жиынтығын қайталана бөлуді қамтиды. Көп қарулы бандит проблемасы - бұл классикалық күшейтуді үйрену проблемасы, ол барлау / пайдалану компромисті дилеммасының үлгісі. Жалпы RL-ден айырмашылығы, бандит проблемаларындағы таңдалған әрекеттер қарудың сыйақысын бөлуге әсер етпейді. Бұл атау ойын автоматтарының қатарында (кейде "бір қарулы қарақшылар" деп аталады) ойыншы ойнауды ойлап табудан туындайды, ол қай машинаны ойнауға, әр машинаны қанша рет ойнауға және оларды қандай тәртіппен ойнауға және ағымдағы машинамен жалғастыруға немесе басқа машинаны сынап көруге тура келеді. Көп қарулы қарақшылар проблемасы да стохастикалық жоспарлаудың кең ауқымына кіреді. Мәселеде әрбір машина осы машинаға тән, ал ол априорлы түрде белгісіз ықтималдық үлестірімінен кездейсоқ сыйақы береді. Ойыншының мақсаты - бірінен соң бірі жеңілдіктерді тарту арқылы алған сыйлықтарын барынша көбейту. Гитинс индексі теоремасы, алғаш рет Джон С. Гитинс жариялады, күтілетін дисконтталған сыйақыны максимизациялаудың оңтайлы саясатын береді.
In probability theory and machine learning, the multi armed bandit problem (sometimes called the K or N armed bandit problem) is a problem in which a decision maker iteratively selects one of multiple fixed choices (i. e. arms or actions) when the properties of each choice are only partially known at the time of allocation, and may become better understood as time passes. A fundamental aspect of bandit problems is that choosing an arm does not affect the properties of the arm or other arms. Instances of the multi armed bandit problem include the task of iteratively allocating a fixed, limited set of resources between competing (alternative) choices in a way that minimizes the regret. The multi armed bandit problem is a classic reinforcement learning problem that exemplifies the exploration–exploitation tradeoff dilemma. In contrast to general RL, the selected actions in bandit problems do not affect the reward distribution of the arms. The name comes from imagining a gambler at a row of slot machines (sometimes known as "one armed bandits"), who has to decide which machines to play, how many times to play each machine and in which order to play them, and whether to continue with the current machine or try a different machine. The multi armed bandit problem also falls into the broad category of stochastic scheduling. In the problem, each machine provides a random reward from a probability distribution specific to that machine, that is not known a priori. The objective of the gambler is to maximize the sum of rewards earned through a sequence of lever pulls. A theorem, the Gittins index, first published by John C. Gittins, gives an optimal policy for maximizing the expected discounted reward.
Бандиттердің стратегиясы
Негізгі жетістік төмендегі сипатталған жұмыста оңтайлы популяцияларды таңдау стратегиясын немесе саясатты (ең жоғары орташа көрсеткіші бар популяцияға біркелкі ең жоғары конвергенция деңгейіне ие) құру болды.
Оңтайлы шешімдер
"Асимптотикалық тиімді адаптивті бөлу ережелері" атты мақаласында Лай мен Роббинс (Роббинс пен оның әріптестерінің 1952 жылы Роббинске қайтып келген мақалаларын ұстанған) халықтың сыйақысы бір параметрлік экспоненциалдық отбасы болып табылатын жағдайда, конвергенцияның ең жылдам қарқынына ие (ең жоғары орташа көрсеткіші бар халыққа) конвергентті халықты таңдау саясатын құрастырды. Кейін Катехакис пен Роббинс саясатты жеңілдетуді және белгілі ауытқулары бар қалыпты популяциялардың жағдайында негізгі дәлелді ұсынды. Келесі елеулі жетістікті Бернетас пен Катехакис "Тізбекті бөлу проблемалары үшін оңтайлы бейімделу саясаты" атты жұмысында қол жеткізді, онда индекске негізделген саясаттар біркелкі максималды конвергенция деңгейімен, әр популяциядан нәтижелердің үлестірілуі белгісіз параметрлердің векторына байланысты жағдайды қамтитын жалпы жағдайларда құрылды. Бурнетас пен Катехакис (1996) нәтижелердің үлестірілімдері кездейсоқ (яғни параметрлік емес) дискретті, біркелкі үлестірілімдерге сәйкес келетін маңызды жағдай үшін нақты шешім ұсынды. Кейін "Марковтық шешім қабылдау процестері үшін оңтайлы бейімделу саясаты" деген еңбегінде Бернетас пен Катехакис Марковтық шешім қабылдау процестерінің әлдеқайда үлкен моделін ішінара ақпарат бойынша зерттеді, онда өтпелі заң және/немесе күтілетін бір кезеңдік сыйақылар белгісіз параметрлерге байланысты болуы мүмкін. Бұл жұмыста авторлар шекті мемлекеттік іс-қимыл кеңістіктерінің жеткілікті болжамдары мен өтпелі заңның азайтылмауы бойынша күтілетін шекті горизонт сыйақысының жалпыға бірдей ең жоғары конвергенция мөлшерінің қасиеттері бар бейімделетін саясаттардың класы үшін нақты нысанды жасады. Бұл саясаттың басты ерекшелігі - әр мемлекет пен уақыт кезеңінде іс-қимылдарды таңдау орташа сыйақының оңтайлылық теңдеулерінің оң жағындағы инфляция индекстеріне негізделеді. Бұл инфляцияларды жақында Тевари мен Бартлетт, Ортнер Филиппи, Каппе және Гаривье, Хонда мен Такемура еңбектерінде оптимистік тәсіл деп атады. Бернулли үшін көп қарулы қарақшылар, Пиларски және басқалар. Индекстеу схемалары, іздеу кестелері және басқа да әдістер арқылы бұл жұмыс уақыт көкжиегі мен қару саны тым үлкен болмағанда Бернулли бандиттері үшін практикалық қолданылатын оңтайлы шешімдерді ұсынды. Пиларски және басқалар. Бернулли бандиттеріне арналған оңтайлы саясатты анықтау әдісін құру, егер сыйақы шешімнен кейін бірден ашылмаса және кейінге қалдырылса. Бұл әдіс әлі ашылмаған сыйақы нәтижелерінің күтілетін мәндерін есептеуге және сыйақылар ашылған кезде кейінгі ықтималдықтарды жаңартуға негізделген. Жануарлардың таңдау құнын алу үшін көп қоллы бандит тапсырмаларының оңтайлы шешімдері қолданылған кезде, миндалина мен вентральді стриатумдағы нейрондардың қызметі осы саясаттардан алынған мәндерді кодтайды және жануарлар барлаушылық және пайдаланушылық таңдау жасағанда кодты шешу үшін пайдаланылуы мүмкін. Сонымен қатар, оңтайлы саясат жануарлардың таңдау мінез-құлқын баламалы стратегияларға қарағанда жақсы болжайды (төменде сипатталған). Бұл көп қоллы бандит проблемаларының оңтайлы шешімдері, есептеу талап етілуіне қарамастан, биологиялық тұрғыдан ықтимал екенін көрсетеді.
Таратулы шешімдер
Бандит проблемасының шамамен шешімін ұсынатын көптеген стратегиялар бар және оларды төмендегі төрт кең санатқа жатқызуға болады.
Жартылай біркелкі стратегиялар
Жартылай біркелкі стратегиялар бандит проблемасын шамамен шешу үшін ашылған ең алғашқы (және ең қарапайым) стратегиялар болды. Барлық осы стратегиялардың ортақ жағымсыз мінез-құлқы бар, онда ең жақсы рычаг (бұрынғы байқауларға негізделген) әрқашан тартылады, бірақ (біркелкі) кездейсоқ әрекет жасалса. Эпсилонның ашкөз стратегиясы: сынақтардың бір бөлігі үшін ең жақсы рычаг таңдалады, ал бір параметрдің типтік мәні , бірақ бұл жағдайларға және бейімділіктерге байланысты әртүрлі болуы мүмкін. Эпсилонның бірінші стратегиясы: таза барлау кезеңі таза пайдалану кезеңімен жалғасады. Сынақтар бойынша барлау кезеңі сынақтарды және пайдалану кезеңі сынақтарды қамтиды. Барлау кезеңінде рычаг кездейсоқ таңдалады (біркелкі ықтималдықпен); пайдалану кезеңінде әрқашан ең жақсы рычаг таңдалады. Эпсилонды азайту стратегиясы: Эпсилонның ашкөз стратегиясына ұқсас, бірақ эксперимент жүріп жатқанда, оның мәні төмендейді, нәтижесінде басталуында өте зерттеушілік мінез-құлық және аяғында өте пайдаланушылық мінез-құлық пайда болады. Құндық айырмашылықтарға негізделген бейімделген эпсилондық ашкөздік стратегиясы (VDBE): Эпсилонның төмендеу стратегиясына ұқсас, бірақ эпсилон қолмен баптаудың орнына оқу прогресіне байланысты азайтылады (Токич, 2010).
Желідегі сызықтық емес бандиттер
UCBogram алгоритмі: Сызықтық емес сыйақы функциялары регрессограмма деп аталатын бөлшекті тұрақты бағалаушыны пайдалану арқылы бағаланады. Содан кейін UCB әр тұрақты бөлшекте қолданылады. Контекст кеңістігінің бөлінісін кезекті жетілдіру жоспарланады немесе бейімделіп таңдалады. Oracle негізделген алгоритм: Алгоритм контексттік бандит проблемасын бақылаудағы оқу проблемасының сериясына дейін азайтады және сыйақы функциясындағы типтік іске асырылу болжамына сүйенбейді. Бұл барлық таралудың болжамдарын алып тастайды және қарсыластық бандит проблемасының шешімі бандит проблемаларының жалпылама шешімі болып табылады.
Мысал: Тұтқындардың қайталанған дилеммасы
Қарсылас бандиттер үшін жиі қарастырылатын мысал - тұтқындардың қайталанған дилеммасы. Бұл мысалда әр қарсыластың екі қолы бар. Олар мойындауы немесе мойындамауы мүмкін. Стандартты стохастикалық бандит алгоритмі мұндай қайталаулармен жақсы жұмыс істемейді. Мысалы, егер қарсылас алғашқы 100 раундта ынтымақтаса жұмыс істесе, келесі 200-де кемшіліктер болса, келесі 300-де ынтымақтасады және т.б. онда UCB сияқты алгоритмдер бұл өзгерістерге тез жауап бере алмайды. Себебі белгілі бір кезеңнен кейін оңтайлы емес қарулар сирек тартылады барлауды шектеуге және пайдалануға назар аударуға. Қоршаған орта өзгерген кезде алгоритм бейімделе алмайды немесе тіпті өзгерісті байқай алмайды.
Түсіндірме
Exp3 ықтималдығы бар кездейсоқ қолды таңдайды ол жоғары салмақты қолдарды артық көреді (эксплойт), ол біркелкі кездейсоқ зерттеу ықтималдығын таңдайды. Сыйлық алғаннан кейін салмақтар жаңартылады. Экспоненциалды өсу жақсы қарудың салмағын едәуір арттырады.
Түсіндірме
Біз ең жақсы жұмыс істейтін қолын бақылап, оған эксплорацияны қамтамасыз ету үшін экспоненциалдық шу қосып жатырмыз.
Қолы шексіз бандит
Бастапқы сипаттама мен жоғарыда аталған нұсқаларда бандит мәселесі дискретті және шекті сандағы қолдармен көрсетілген, көбінесе өзгермелімен көрсетіледі. Агравал (1995) енгізген шексіз қарулы жағдайда "қолдар" өлшемдер бойынша үздіксіз өзгермелі болып табылады.
Басқа нұсқалар
Соңғы жылдары проблеманың көптеген нұсқалары ұсынылды.