Pare de Regredir: Treinando Funções de Valor via Classificação para RL Profundo Escalável

Resumo

As funções de valor são um componente central do aprendizado por reforço profundo (RL). Essas funções, parametrizadas por redes neurais, são treinadas usando um objetivo de regressão de erro quadrático médio para corresponder a valores-alvo obtidos por bootstrapping. No entanto, escalar métodos de RL baseados em valor que usam regressão para redes grandes, como Transformers de alta capacidade, tem se mostrado desafiador. Essa dificuldade contrasta fortemente com o aprendizado supervisionado: ao aproveitar uma perda de classificação de entropia cruzada, métodos supervisionados escalaram de forma confiável para redes massivas. Observando essa discrepância, neste artigo, investigamos se a escalabilidade do RL profundo também pode ser melhorada simplesmente usando classificação em vez de regressão para treinar funções de valor. Demonstramos que funções de valor treinadas com entropia cruzada categórica melhoram significativamente o desempenho e a escalabilidade em uma variedade de domínios. Esses incluem: RL de tarefa única em jogos do Atari 2600 com SoftMoEs, RL multitarefa no Atari com ResNets em larga escala, manipulação robótica com Q-transformers, jogar xadrez sem busca e uma tarefa de agente de linguagem Wordle com Transformers de alta capacidade, alcançando resultados de ponta nesses domínios. Por meio de uma análise cuidadosa, mostramos que os benefícios da entropia cruzada categórica decorrem principalmente de sua capacidade de mitigar problemas inerentes ao RL baseado em valor, como alvos ruidosos e não estacionariedade. No geral, argumentamos que uma simples mudança para treinar funções de valor com entropia cruzada categórica pode gerar melhorias substanciais na escalabilidade do RL profundo a um custo mínimo ou nulo.

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.

Pare de Regredir: Treinando Funções de Valor via Classificação para RL Profundo Escalável

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

Resumo

Support