Введение
Проблема ресурсов в машинном обучении В теории вероятности и машинном обучении проблема многочисленных вооруженных бандитов (иногда называемая проблемой вооруженных бандитов K или N) - это проблема, в которой принимающий решение итеративно выбирает один из нескольких фиксированных вариантов (т.е. оружие или действия), когда свойства каждого выбора известны только частично во время распределения, и могут стать лучше понятыми с течением времени. Основной аспект проблем бандитов заключается в том, что выбор руки не влияет на свойства руки или других рук. Примеры проблемы многочисленных вооруженных бандитов включают в себя задачу итеративно распределять фиксированный, ограниченный набор ресурсов между конкурирующими (альтернативными) выборами таким образом, чтобы свести к минимуму сожаление. Проблема многочисленных вооруженных бандитов - классическая проблема обучения с использованием усиления, которая иллюстрирует дилемму компромисса разведка и эксплуатация. В отличие от общего RL, выбранные действия в проблемах бандитов не влияют на распределение награды оружия. Название происходит от представления о игроке в ряду игровых автоматов (иногда известных как "один вооруженный бандит"), который должен решить, какие машины играть, сколько раз играть в каждую машину и в каком порядке играть в них, и продолжать ли играть в текущей машине или попробовать другую машину. Проблема многочисленных вооруженных бандитов также относится к широкой категории стохастического планирования. В задаче каждая машина предоставляет случайную награду от распределения вероятности, специфического для этой машины, которая не известна априори. Цель игрока - максимизировать сумму наград, полученных путем последовательного нажатия рычага. Теорема, индекс Гидтинса, впервые опубликованная Джоном С. Гидтинсом, дает оптимальную политику для максимизации ожидаемой дисконтированной награды.
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.
Стратегии бандитов
Основным прорывом было построение оптимальных стратегий отбора населения или политики (которые обладают единообразным максимальным уровнем конвергенции к населению с наивысшим средним значением) в работе, описанной ниже.
Оптимальные решения
В статье "Асимптотически эффективные правила адаптивного распределения" Лай и Роббинс (после работ Роббинса и его коллег, восходящих к Роббинсу в 1952 году) построили конвергентную политику отбора популяции, которая обладает самым быстрым темпом конвергенции (к популяции с самым высоким средним значением) для случая, когда распределение вознаграждения населения является экспоненциальной семьей одного параметра. Затем в Катехакисе и Роббинсе были приведены упрощения политики и основное доказательство для нормальных популяций с известными вариантами. Следующий заметный прогресс был получен Бурнетасом и Катехакисом в статье "Оптимальная адаптивная политика для последовательных проблем распределения", где были построены индексные политики с единообразным максимальным уровнем конвергенции, при более общих условиях, которые включают случай, когда распределение результатов от каждой популяции зависит от вектора неизвестных параметров. Burnetas и Katehakis (1996) также предоставили явное решение для важного случая, в котором распределения результатов следуют произвольным (т.е. непаметрическим) дискретным, одновариантным распределениям. Позже в "Оптимальной адаптивной политике для процессов принятия решений по Маркову" Бернетас и Катехакис изучили гораздо более крупную модель процессов принятия решений по Маркову при частичной информации, где закон перехода и / или ожидаемые вознаграждения за один период могут зависеть от неизвестных параметров. В этой работе авторы построили ясную форму для класса адаптивных политик с однородными свойствами максимального уровня конвергенции для общей ожидаемой конечной вознаграждения за горизонт при достаточных допущениях о конечных пространствах действий государства и необратимости закона перехода. Основная особенность этих политик заключается в том, что выбор действий в каждом состоянии и в каждом периоде времени основывается на индексах, которые являются инфляциями правой стороны оцененных уравнений средней оптимальности вознаграждения. Эти инфляции недавно были названы оптимистическим подходом в работе Тевари и Бартлета, Ортнера Филиппи, Каппе и Гаривье, и Хонда и Такемура. Для Бернулли многочисленные вооруженные бандиты, Пиларски и др. С помощью схем индексации, таблиц поиска и других методов эта работа предоставила практически применимые оптимальные решения для бандитов Бернулли при условии, что временные горизонты и количество оружия не стали чрезмерно большими. Пиларски и др. создать метод определения оптимальной политики для бандитов Бернулли, когда вознаграждения не могут быть немедленно раскрыты после принятия решения и могут быть отложены. Этот метод основан на расчете ожидаемых значений результатов вознаграждения, которые еще не были раскрыты, и обновлении последующих вероятностей, когда вознаграждения раскрыты. Когда для получения значения выбора животных используются оптимальные решения задач многорукого бандита, активность нейронов в миндалине и вентральном стриатуме кодирует значения, полученные из этих правил, и может использоваться для декодирования, когда животные делают исследовательский и эксплуатационный выбор. Более того, оптимальные стратегии лучше предсказывают поведение животных по выбору, чем альтернативные стратегии (описанные ниже). Это говорит о том, что оптимальные решения проблем многорукого бандита являются биологически правдоподобными, несмотря на то, что они требуют вычислительных технологий.
Приблизительные решения
Существует множество стратегий, которые обеспечивают приблизительное решение проблемы бандитов, и могут быть отнесены к четырем широким категориям, описанным ниже.
Полуоднородные стратегии
Полуоднородные стратегии были самыми ранними (и простыми) стратегиями, обнаруженными для приблизительного решения проблемы бандитов. Все эти стратегии имеют в общем жадное поведение, где лучший рычаг (на основе предыдущих наблюдений) всегда тянутся, за исключением случаев, когда (равномерно) случайные действия принимаются. Эпсилонская жадная стратегия: лучший рычаг выбирается для части испытаний, а рычаг выбирается случайным образом (с единообразной вероятностью) для части Типичное значение параметра может быть , но это может сильно варьироваться в зависимости от обстоятельств и предпочтений. Первая стратегия Эпсилона: за фазой чистого разведки следует фаза чистого использования. Для испытаний в целом, этапы исследования занимают испытания и эксплуатационные испытания. На этапе разведки рычаг выбирается случайным образом (с одинаковой вероятностью); на этапе эксплуатации всегда выбирается лучший рычаг. Стратегия уменьшения Эпсилона: аналогична стратегии эпсилона жадный, за исключением того, что значение уменьшается по мере прогрессирования эксперимента, что приводит к высоко исследовательскому поведению в начале и высоко эксплуатационному поведению в конце. Адаптируемая стратегия эпсилона, основанная на различиях в стоимости (VDBE): аналогична стратегии уменьшения эпсилона, за исключением того, что эпсилон уменьшается на основе прогресса обучения вместо ручной настройки (Токич, 2010).
Онлайн нелинейные бандиты
Алгоритм UCBogram: Нелинейные функции вознаграждения оцениваются с использованием постоянного оценщика по частям, называемого регрессограммой в непараметрической регрессии. Затем UCB применяется к каждой постоянной части. Последующие уточнения раздела контекстового пространства планируются или выбираются адаптивно. Алгоритм на основе Oracle: Алгоритм сводит контекстную проблему бандита в серию проблем контролируемого обучения и не полагается на типичное предположение о реализуемости функции вознаграждения. поскольку она устраняет все предположения о распределении, и решение проблемы противоборствующих бандитов является обобщенным решением более специфических проблем бандитов.
Пример: повторяемая дилемма заключенного
Примером, часто рассматриваемым для враждебных бандитов, является повторяющаяся дилемма заключенного. В этом примере у каждого противника есть две руки, чтобы тянуть. Они могут либо отрицать, либо признаться. Стандартные алгоритмы стохастических бандитов не очень хорошо работают с этими итерациями. Например, если противник сотрудничает в первых 100 раундов, дефекты в следующих 200, затем сотрудничают в следующих 300 и т. д. тогда алгоритмы, такие как UCB, не смогут быстро реагировать на эти изменения. Это потому, что после определенного момента суб-оптимальные руки редко вытягиваются, чтобы ограничить разведку и сосредоточиться на эксплуатации. Когда окружающая среда меняется, алгоритм не может адаптироваться или даже не может обнаружить изменения.
Пояснение
Exp3 выбирает руку случайным образом с вероятностью, он предпочитает руки с более высокими весами (эксплойт), он выбирает вероятность однородно случайным образом исследовать. После получения наград веса обновляются. Экспоненциальный рост значительно увеличивает вес хороших рук.
Пояснение
Мы следим за рукой, которая, по нашему мнению, пока демонстрирует лучшие результаты, добавляя к ней экспоненциальный шум, чтобы обеспечить исследование.
Бесконечный вооруженный бандит
В оригинальной спецификации и в вышеуказанных вариантах проблема бандита определяется с дискретным и конечным числом рук, часто обозначаемых переменным В бесконечном вооруженном случае, введенном Агравалом (1995), "руки" являются непрерывной переменной в размерах.
Другие варианты
В последние годы было предложено много вариантов этой проблемы.