【DL輪読会】Masked World Models for Visual Control

DEEP LEARNING JP [DL Papers] Masked World Models for Visual Control Koki Yamane, University of Tsukuba http://deeplearning.jp/ 1

• http://deeplearning.jp/

書誌情報 題名 Masked World Models for Visual Control 著者 Younggyo Seo (1,2), Danijar Hafner (2,3,4), Hao Liu (2), Fangchen Liu (2), Stephen James (2), Kimin Lee (3), Pieter Abbeel (2) 所属 (1) KAIST (2) UC Berkeley (3) Google Research (4) University of Toronto 会議 CoRL 2022 website https://sites.google.com/view/mwm-rl 概要 ⚫ 世界モデルの画像表現学習に Masked Autoencoder (MAE) を使用 ⚫ 報酬の予測によりタスクに適した表現を獲得 2023/10/1 0 2

• https://sites.google.com/view/mwm-rl

先行研究： 世界モデル [Ha+ 2018] 環境のシミュレータを学習により獲得し高いサンプル効率で強化学習 ◼ Vision (V) Model  画像を潜在変数に圧縮  VAE，対照学習など ◼ Memory (M) Model  潜在変数の時間変化を学習  RNNで潜在変数の系列を記憶 ◼ Controller (C) Model  潜在変数から行動を予測  世界モデルが学習できれば方策は線 形モデルで単純なモデル化が可能 2023/10/1 0 D. Ha and J. Schmidhuber. World models. In Advances in Neural Information Processing Systems, 2018. 3

背景：物体消失問題 単純に再構成誤差でAEを学習してもタスクに適した表現は得られない ◼ 画像表現学習とタスクのギャップ  VAEのような再構成学習では面積の 小さい要素は無視してもLossが下 がってしまう  一方でタスクに必要なのは対象物体 の位置などの一部の情報 ◼ 学習コストの問題  画像モデルと状態遷移モデルを同時 に学習すると高次元データのRNNに なり計算量が増大 2023/10/1 0 Okada, Masashi, and Tadahiro Taniguchi. "DreamingV2: Reinforcement Learning with Discrete World Models without Reconstruction." arXiv preprint arXiv:2203.00494 (2022). 4

先行研究： Masked Autoencoder (MAE) [He+ 2021] ViTをマスク復元タスクで事前学習 ◼ パッチに分割された画像の大部分 （75%）をマスクしてViTに入力 ◼ 損失関数  マスクされたパッチの再構成誤差 （MSE） ◼ 画像分類タスクで高精度を達成 2023/10/1 0 K. He, X. Chen, S. Xie, Y. Li, P. Dollar, and R. Girshick. Masked autoencoders are scalable vision learners. arXiv preprint arXiv:2111.06377, 2021. 5

提案手法： Masked World Models (MWM) 世界モデルの画像表現学習に Masked Autoencoder (MAE) を使用 画像直接ではなく中間層でマスキング （物体を消してしまうのを防ぐ？） 2023/10/1 0 再構成に加え報酬を予測 （報酬にかかわる情報を重視させる） 6

実験 3つのシミュレーション環境で実験 Meta-world 2023/10/1 0 RLBench DeepMind Control Suite 7

結果 性能・サンプル効率ともに従来手法（Dreamer V2）から改善 小さな物体が重要な タスクでは差が顕著 小さな物体のない タスクでは同等程度 2023/10/1 0 8

結果：Ablation Studies 75%の特徴量マスク＋報酬予測で最高性能 画像直接ではなく 特徴量のマスクで 性能向上 2023/10/1 0 75%のマスクで最高性能 報酬予測で性能向上 9

結果：予測画像比較 Dreamer V2 と比較して MWM は物体の位置を予測できている 提案手法では 物体位置把握 既存手法では 物体消失 2023/10/1 0 10

まとめ ◼ 世界モデルの画像表現学習に Masked Autoencoder (MAE) を使用 ◼ 画像直接ではなく中間層でマスキング ◼ 報酬の予測によりタスクに適した表現を獲得 ◼ Dreamer V2 と比較して小さな物体を扱うタスクで大幅に性能改善 ◼ 感想  損失関数にタスクの情報を含ませることが重要  潜在変数がタスク依存になってしまう点が気になる 2023/10/1 0 11