Arrêtez de Régresser : Entraîner les Fonctions de Valeur via la Classification pour un Apprentissage par Renforcement Profond Évolutif

papers.abstract

Les fonctions de valeur constituent un élément central de l'apprentissage par renforcement profond (RL). Ces fonctions, paramétrées par des réseaux de neurones, sont entraînées à l'aide d'un objectif de régression par erreur quadratique moyenne pour correspondre à des valeurs cibles bootstrapées. Cependant, la mise à l'échelle des méthodes RL basées sur la valeur qui utilisent la régression pour des réseaux de grande taille, tels que les Transformers à haute capacité, s'est avérée difficile. Cette difficulté contraste fortement avec l'apprentissage supervisé : en exploitant une perte de classification par entropie croisée, les méthodes supervisées ont été mises à l'échelle de manière fiable vers des réseaux massifs. En observant cette divergence, nous examinons dans cet article si l'évolutivité du RL profond peut également être améliorée simplement en utilisant la classification à la place de la régression pour l'entraînement des fonctions de valeur. Nous démontrons que les fonctions de valeur entraînées avec l'entropie croisée catégorique améliorent significativement les performances et l'évolutivité dans divers domaines. Ceux-ci incluent : le RL mono-tâche sur les jeux Atari 2600 avec SoftMoEs, le RL multi-tâches sur Atari avec des ResNets à grande échelle, la manipulation robotique avec des Q-transformers, le jeu d'échecs sans recherche, et une tâche d'agent linguistique Wordle avec des Transformers à haute capacité, obtenant des résultats de pointe dans ces domaines. À travers une analyse minutieuse, nous montrons que les avantages de l'entropie croisée catégorique découlent principalement de sa capacité à atténuer les problèmes inhérents au RL basé sur la valeur, tels que les cibles bruyantes et la non-stationnarité. Globalement, nous soutenons qu'un simple passage à l'entraînement des fonctions de valeur avec l'entropie croisée catégorique peut apporter des améliorations substantielles dans l'évolutivité du RL profond à un coût minimal, voire nul.

English

Value functions are a central component of deep reinforcement learning (RL). These functions, parameterized by neural networks, are trained using a mean squared error regression objective to match bootstrapped target values. However, scaling value-based RL methods that use regression to large networks, such as high-capacity Transformers, has proven challenging. This difficulty is in stark contrast to supervised learning: by leveraging a cross-entropy classification loss, supervised methods have scaled reliably to massive networks. Observing this discrepancy, in this paper, we investigate whether the scalability of deep RL can also be improved simply by using classification in place of regression for training value functions. We demonstrate that value functions trained with categorical cross-entropy significantly improves performance and scalability in a variety of domains. These include: single-task RL on Atari 2600 games with SoftMoEs, multi-task RL on Atari with large-scale ResNets, robotic manipulation with Q-transformers, playing Chess without search, and a language-agent Wordle task with high-capacity Transformers, achieving state-of-the-art results on these domains. Through careful analysis, we show that the benefits of categorical cross-entropy primarily stem from its ability to mitigate issues inherent to value-based RL, such as noisy targets and non-stationarity. Overall, we argue that a simple shift to training value functions with categorical cross-entropy can yield substantial improvements in the scalability of deep RL at little-to-no cost.

Arrêtez de Régresser : Entraîner les Fonctions de Valeur via la Classification pour un Apprentissage par Renforcement Profond Évolutif

Stop Regressing: Training Value Functions via Classification for Scalable Deep RL

papers.abstract

Support