[DL輪読会]“SimPLe”,“Improved Dynamics Model”,“PlaNet” 近年のVAEベース系列モデルの進展とそのモデルベースRLへの応用

343 Views

April 26, 19

deep learning

スライド概要

2019/04/26
Deep Learning JP:
http://deeplearning.jp/seminar-2/

Deep Learning JP

@DeepLearning2023

スライド一覧

DL輪読会資料

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

（ダウンロード不可）

関連スライド

各ページのテキスト

DEEP LEARNING JP [DL Papers] "SimPLe", "Improved Dynamics Model", "PlaNet" 近年のVAEベース系列モデルの進展とそのモデルベースRLへの応用 Presentater: Kei Akuzawa, Matsuo Lab. D1 http://deeplearning.jp/ 1

http://deeplearning.jp/

発表のモチベーション&目的 • モチベーション: モデルベースRL，気づいたら進展してないか？ • PlaNet: D4PGの50+倍のサンプル効率（DeepMind Control Suit） • SimPLe: Rainbowの2~10+倍（Atari） • SOLAR: PPOの40倍（Reacher），および実機画像データ2時間(Lego block stacking) • …… ※ここでのサンプル効率=一定の性能を出すために必要な真の環境とのInteraction数 • 目的: 進展の背景に何があるのかをサーベイすること • 切り方1: 環境モデル（世界モデル）として働く系列モデルの進展(発表の中心) • 切り方2: 系列モデルをどうRLに組み入れるかの進展 • （鈴木さんの資料のp10で言われていること: https://www.slideshare.net/masa_s/ss-97848402 ）

AGENDA • 前置き • モデルベースRLと環境モデル • 環境モデルのRLへの活用法 • 環境モデルの系列モデリングとしての区分 • 論文紹介 • SimPLe • Improved Dynamics Model • PlaNet

モデルベースRLと環境のモデル • モデルベースRLの定義（この発表での）: • 現在の状態と行動から次の状態（と得られる報酬）を予測する環境モデルを何らかの形（次ページ）でRLに組み込んだアルゴリズム • Notation: • 𝑠𝑡 : 状態．POMDPでは観測されない． • 𝑜𝑡 : 観測．MDPでは𝑠𝑡 に一致． • 𝑎𝑡 : アクション • 𝑟𝑡 : 報酬 • 𝑜ො𝑡+1 = 𝑓(𝑜𝑡 , 𝑎𝑡 ): 環境モデルの基本形

環境モデルのRLへの活用法 • 本発表ではKe+2019, Kaiser+2019を参考に発表者が活用法を以下に区分 1. 方策の改善 • Dyna: 環境モデルをシミュレーターとして方策の学習に利用 • I2A: 環境モデルの不正確さ自体ををDNNに丸投げする • PILCO: 解析的な方策勾配の活用 • GPS: 環境モデルから作ったLocalなコントローラにNNをfitting • MPC: シミュレーター上で報酬が最大になるような行動の選択 • etc. 2. 表現学習 • 環境モデルを用いて観測𝑜𝑡 の低次元表現や，過去未来の観測𝑜の情報を十分含む表現を獲得し，Policy Networkのサンプル効率性を高める 3. 探索への活用 • モデルの予測の尤度や不確実性を用いて，効率的な探索を行う

環境モデルの系列モデリングとしての区分 • Buesing+2018を参考に環境モデルとして用いられる系列モデルを以下の3つに区分 • Recurrent Autoregressive Models (RAM) (=Observation Dependent) • State Space Models (SSM) (=Observation Independent) • その他 (Gaussian Process(PILCO系), Local Linear Models(GPS系), Feedforward NN, …) • 注1: モデルベースRL以外のコミュニティではARM/ SMMという分け方は適当でない • Buesing+2018では観測について自己回帰的であるモデル(observation dependent） =ASRとそうでないモデル=SSMを区分するためにASR/SSMを採用している • 例1. AR(p)モデルはSSMの一種 • 例2. Fraccaro+2016 (SRNN)はSSMと言いつつObservation Dependent • 注2: 本発表ではモデルベースRLの中でもPILCO系，Guided Policy Search系は扱わない • サーベイが追いつきませんでした

環境モデルの系列モデリングとしての区分 • RAM: 過去のすべての観測から次の観測を逐次的に予測 • 過去の観測を集約するリカレント構造を持つ 𝑎𝑡−2 • ℎ𝑟 = 𝑓(ℎ𝑟−1, 𝑎𝑟−1 , 𝑜𝑟−1 )．要はRNN • 高品質な生成が可能 𝑎𝑡−1 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 𝑡+𝑘 𝑝 𝑜𝑡+1|𝑡+𝑘 |𝑜1:𝑡 , 𝑎1:𝑡+𝑘 = ෑ 𝑝(𝑜𝑟 |𝑓(𝑜1:𝑟−1, 𝑎1:𝑟−1)) 𝑟=𝑡+1 • SSM: 観測の背後にある状態だけから観測が決まる． • 高速（観測の逐次的な生成が必要ない） 𝑎𝑡−2 𝑎𝑡−1 𝑠𝑡−1 𝑠𝑡 𝑜𝑡−1 𝑜𝑡 𝑡+𝑘 𝑝 𝑜𝑡+1|𝑡+𝑘 |𝑜1:𝑡 , 𝑎1:𝑡+𝑘 = න ෑ 𝑝 𝑠𝑟 𝑠𝑟−1, 𝑎𝑟−1 𝑝 𝑜𝑟 𝑠𝑟 𝑝 (𝑠𝑡 |𝑜≤𝑡 , 𝑎<𝑡 )𝑑𝑠𝑡:𝑡+𝑘 𝑟=𝑡+1

付録: 環境モデルの活用法 x 系列モデルのタイプによる区分 Recurrent Autoregressive Models State Space Models その他 Bayer+2014 (STORNs) Chung+2015 (VRNN) Oh+2015 Finn+2016 (CDNA) Goyal+2017 (Z-forcing) Babaeizadeh+2018 (SV2P) Denton+2018 (SVG-L(F)P) Kaiser+2018 (DSAE) Krishnan+2015 (DKF) Fraccaro+2016 (SRNN) Chiappa+2017 (RES) Hsu+2017 (FHVAE) Karl+2017 (DVBF) Li+2018 (DS-AE) Gregor+2019 (TD-VAE) Oh+2015 Oord+2017 (VQ-VAE) 方策改善 Buesing+2018 Ebert+2018 Ke+2019 Buesing+2018 Hafner+2019 (PlaNet) Zhang+2019 (Solar) Deisenroth+2011 (PILCO) Levin+2014 (GPS+iLQG) Weber+2017 (I2A) Kaiser+2019 (SimPLe) 表現学習 Ke+2019 *: Two-Step Finn+2016 Watter+2015* (E2C) Ha+2018* (World Models) Oh+2017 探索 Chiappa+2017 (RES) Ke+2019 Sequential Modeling (non-RL) RL ※本日の発表に関係するものを中心に掲載．網羅性はありません． Oh+2015

一本目: SimPLe • 書誌情報: • タイトル: Model Based Reinforcement Learning for Atari • 著者: Lukasz Kaiser, Mohammad Babaeizadeh, Piotr Milos, Blazej Osinski, Roy H Campbell, Konrad Czechowski, Dumitru Erhan, Chelsea Finn, Piotr Kozakowski, Sergey Levine, Ryan Sepassi, George Tucker, Henryk Michalewski • グループ: GoogleBrain等 • 投稿先: arixv2019, ICML2019 under review • 概要: • Atariの多くのゲームでRainbowよりも高性能かつサンプル効率性2~10倍を達成するモデルベースRLを提案

10.

SimPLe: 環境モデル．？？？

11.

SimPLe: 環境モデル側から見ると…… • 環境モデル: • アーキテクチャはOh+2015で提案されたFeedForwardモデル • Babaeizadeh+2018 (SV2P)を参考に確率的な潜在変数を組み入れる • Oord+2017 (VQ-VAE), Kaiser+2018 (DSAE)を参考に潜在変数を離散化する • 環境モデルのRLへの活用法: • 単に高速なシミュレーターとして利用し，環境モデル内でPPOを学習

12.

SimPLeとその系譜 RARによるVideo Prediction Pixel Motion Oh+2015 のモデリング Finn+2016 (CDNA) Ebert+2018 確率的な生成離散的な潜在変数を持つ系列モデル Babaeizadeh +2018 (SV2P) Kaiser+2019 (SimPLe) Kaiser+2018 (DSAE) Oord+2017 (VQ-VAE) 系列モデル RL

13.

14.

Oh+2015, Action-conditional video prediction using deep networks in atari games • 環境モデル: • Atariを訓練データに用いてaction-conditionalなvideo predictionを行う • FeedforwardモデルとRecurrentモデルの二つを提案 • auto-encoderのように出力の画像はDeconvでbottleneckから生成 FeedForwardモデル生成過程： 𝑝(𝑜𝑡 |𝑎𝑡−1, 𝑜𝑡−4:𝑡−1) Reccurentモデル 𝑎𝑡−2 𝑎𝑡−2 𝑜𝑡−2 生成過程 𝑝(𝑜𝑡 |ℎ𝑡 = 𝑓 𝑜𝑡−4:𝑡−1, 𝑎𝑡−1, ℎ𝑡−1 ) 𝑎𝑡−1 𝑎𝑡−1 𝑜𝑡−1 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 𝑜𝑡 ※𝑜𝑡−4:𝑡−2からℎ𝑡 のパスは省略

15.

Oh+2015 Video Predictionの実験: • Atariの動画を正確に予測できることを示した • ゲームにもよるが，50~200ステップの予測でも見た目は大きく崩れない • この時代から，AtariのVideo Prediction自体はそこそこできていた一例: 174ステップ目の予測

16.

Oh+2015 RLの実験: • 環境モデルをシミュレーターとして用いる実験（SimPLeと似てる） 1. 2. 最初の真の1~100フレームを元に環境モデルが1~100フレームを生成（図の横軸）生成したフレームでDQNを訓練（Rewardは真の環境から？？） • 環境モデルで長期の系列を生成するとDQNの精度が落ちる • （見た目が本物らしいからといってRLに使えるわけではない？ c.f. 前項の敵の数） • ゲームにも依るがFeedForwardとRARで結果はあまり変わらない（Atariが簡単だから？）

17.

Finn+2016 (CDNA), Unsupervised learning for physical interaction through video prediction • 環境モデル: • Oh+2015のRecurrentモデルの拡張 • 𝑜𝑡 のpixel valueを直接生成するのではなく，𝑜𝑡−1 からのpixel motionを予測 • 未知の物体に汎化しやすい • Recurrentモデルと違ってさりげなく𝑎からℎのパスになってる 𝑎𝑡−2 𝑎𝑡−1 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 1期前の観測にPixel Motionを加える

18.

Finn+2016 (CDNA) アルゴリズム補足 DNNで出力されたパラメータをカーネルとした畳み込みでpixel motion をモデル化

19.

Finn+2016 (CDNA) • 実験: 実機のTrajectoryを用いて検証 • Oh+2015と違い10step程度予測可能 Oh+2015 提案法

20.

Babaeizadeh+2018 (SV2P), Stochastic variational video prediction • 環境モデル: • CDNAに潜在変数を導入し，確率的な予測を可能にした • 潜在変数がtime-stepに依存する・しない場合で比較 • 訓練時はVAEの推論分布𝑞(𝑧𝑡 |𝑜1:𝑇 )から，生成時はpriorから 𝑧𝑡 をサンプリング Time step独立 Time step依存 𝑧 𝑧𝑡−1 𝑎𝑡−2 𝑎𝑡−1 𝑎𝑡−2 𝑧𝑡 𝑎𝑡−1 ℎ𝑡−1 ℎ𝑡 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 𝑜𝑡−1 𝑜𝑡

21.

Babaeizadeh+2018 (SV2P) 補足系列VAEの推論分布 • VAE(amortized variational inference)を系列モデリングに用いる場合，用途に応じて 𝑞(𝑧𝑡 | ∙)を以下のように設計することが多い（気がする） 1. 𝑞(𝑧𝑡 |𝑜1:𝑇 ): smoothing(-like)． • 観測の系列がすべて与えられた前提で現在の潜在変数𝑧𝑡 を推論 2. 𝑞(𝑧𝑡 |𝑜1:𝑡 ): filtering． • 現在までの観測𝑜1:𝑡 を使って現在の潜在変数𝑧𝑡 を推論 3. 𝑞(𝑧𝑡+1 |𝑜1:𝑡 ): predictive． • 現在までの観測𝑜1:𝑡 を使って未来の潜在変数𝑧𝑡+1を推論 4. 𝑞(𝑧𝑡 |𝑜𝑡+1:𝑇 ): backward. • 未来の観測𝑜𝑡+1:𝑇を使って現在の潜在変数𝑧𝑡 を推論 • SV2Pでは生成時に𝑧𝑡 をPriorから生成するのではなく𝑞(𝑧𝑡+1 |𝑜1:𝑡 )から生成することも検証したが，訓練がうまくいかない • そもそも自己回帰なので潜在変数が無視されやすく（Posterior collapse）， smoothing-likeのようにリッチな情報を与える必要がある

22.

Babaeizadeh+2018 (SV2P) 実験 • 確率的な予測を行うことで，動いている物体がぼやけにくくなる（CDNAのように決定的な予測を行うとぼやけやすくなる）

23.

24.

Kaiser+2018 (DSAE), Discrete autoencoders for sequence models • 概要: • 系列モデルに離散的な潜在変数を導入（Discrete Sequential Autoencoding） • 既存手法（Gumbel-softmax）よりもハイパラにロバストであることを主張 • 提案手法: • オートエンコーダーの中間層が離散になるようにSaturating Sigmoidを入れる • 𝜎 ′ 𝑥 = max(0, min(1, 1.2𝜎 𝑥 − 0.1) • Saturating Sigmoidは勾配を流せるので，普通にオートエンコーダ訓練するだけ • 勾配を流す，訓練を安定させるための細かい工夫は色々ある．

25.

26.

SimPLe: 環境モデル側から見ると……（再掲） • 環境モデル: • アーキテクチャはOh+2015で提案されたFeedForwardモデル • Babaeizadeh+2018 (SV2P)を参考に確率的な潜在変数を組み入れる • Oord+2017 (VQ-VAE), Kaiser+2018 (DSAE)を参考に潜在変数を離散化する • 環境モデルの用途: • 単に高速なシミュレーターとして利用し，環境モデル内でPPOを学習

27.

SimPLe: 環境モデルの詳細 • 生成モデルは𝑝(𝑜𝑡 |𝑜𝑡−4:𝑡−1)，推論分布は𝑞 𝑧𝑡 |𝑜𝑡−4:𝑡 • なぜOh+2015のFeedfowardか？ => Oh+2015の実験結果でもあったように，Atari 程度ならリカレントな構造はいらないから？ • 推論分布にSaturating Sigmoidを挟んで，𝑧𝑡 を離散化 • 生成時は推論分布が使えない（推論に未来の観測が必要）のでLSTMから潜在変数をサンプリング（後述） 𝑧𝑡−1 𝑧𝑡 𝑎𝑡−2 𝑜𝑡−1 𝑎𝑡−1 𝑜𝑡−1 𝑜𝑡

28.

SimPLe: 離散化の詳細 • なぜ𝑧𝑡 を離散化するのか • VAEなのでKL項𝐷𝐾𝐿 (𝑞(𝑧| ∙)||𝑝(𝑧| ∙))が必要だが，この係数はsensitive • （実験に使う20+個の）ゲームごとにハイパラ調整したくない • Atariの場合係数は[1e-5, 1e-3]くらいだが，そんなに係数小さいとテスト時に Priorからサンプリングする時に困る（PriorとPosteriorが近づかない） • 𝑧𝑡 を離散化する際の疑問 • 変分下界のKL項をどうやって計算する？＝＞定数項なので最適化には関係ない（もはやそれはVAEなのか……？） • テスト時にどうやって𝑧𝑡 をサンプリングする？＝＞学習済みの環境モデルの推論分布𝑞から𝑧1:𝑇 をサンプリングし，その𝑧1:𝑇 を予測するようなLSTMを訓練するどちらも， VQ-VAEと同じ処理（明示的には書いてないが，たぶんそう）

29.

SimPLe: アーキテクチャ詳細

30.

Simple: 環境モデルのRLへの活用: 単なるシミュレーター Oh+2015 のRLの実験とほぼ同じただし環境モデルと方策の訓練を交互に行う，報酬を予測するなどが異なる

31.

SimPLe: 実験 • 環境: Atari • SOTAなモデルフリーで一般に解けるとされている26個のゲーム • ベースライン: • Rainbow • PPO • 提案手法: • 真の環境と100K（現実の2時間）のインタラクションを行い環境モデルを訓練 • 環境モデルの中で15Mのインタラクションを行いPPOを訓練

32.

SimPLe: 実験-サンプル効率性 • 青いバーは，100Kサンプルを使った提案手法と，素の（環境モデルを用いない）PPOが同じ性能に到達するまでに必要なサンプルサイズ（真の環境とのインタラクション）を表す • PPOが提案手法と同じ精度を達成するためには，2~10倍のサンプルサイズが必要

33.

SimPLe: 実験-離散潜在変数の効果 • 青は潜在変数なし，赤は連続潜在変数あり • 離散潜在変数の提案手法が一番良い • 連続潜在変数のときのKL項の重みは言及なし？

34.

SimPLe: 実験: リカレントの効果 • 詳細が書かれてないので自信がない • おそらく青がrecurrentかつ（連続 or 離散）潜在変数あり，赤がリカレントかつ潜在変数なし • 要は，再帰的な構造はいらないということ？ • Oh+2015と似た結果？ • Atariが簡単だから？

35.

SimPLe: 感想 • 系列モデルも，そのRLへの組み込み方も本当にシンプル • Atari程度なら環境を完全に学習し切れてしまうこと，そしてその環境モデルが有用であることを示した • Policy Networkへの入力を𝑜にしているため表現学習としての要素が抜けてしまっ ො ているのが勿体無い • KL項の重みは結構面倒なことが多いので，Saturating Sigmoidが本当にハイパラロバストなら良さそう

36.

Improved Dynamics Model: 概要 • 書誌情報: • タイトル: Learning Improved Dynamics Model in Reinforcement Learning by Incorporating the Long Term Future • 著者: Ke, N. R., Singh, A., Touati, A., Goyal, A., Bengio, Y., Parikh, D., and Batra, D. • グループ: モントリオール大学，Facebook等 • 投稿先: ICLR2019 • 概要: • RAR型の環境モデルに確率的な潜在変数を取り入れる． • その際補助タスクを取り入れることで潜在変数が未来の情報を保持しやすくし，長期の予測を可能にする • Imitation LearningとRLに有効

37.

Improved Dynamics Model: 環境モデル側から見ると…… • 環境モデル: • z-forcingを素直に使う • z-forcingの野中さん資料: https://www.slideshare.net/DeepLearningJP2016/dlzforcing-trainingstochastic-recurrent-networks-nips2017 • 環境モデルの用途: • Imitatio Learningの場合: • z-forcingでナイーブにBehaviour Cloning • RLの場合: • 潜在変数を用いたMPC • 探索への活用

https://www.slideshare.net/DeepLearningJP2016/dlzforcing-training-stochastic-recurrent-networks-nips2017

38.

Improved Dynamics Model とその系譜 RAR+潜在変数系 Bayer+2014 (STORNs) Chung+2015 (VRNN) Goyal+2017 (Z-forcing) 潜在空間上のplanning SSM Fraccaro +2016 (SRNN) Buesing +2018 Karl+2017 (DVBF) 未来からの推論，長期予測のモチベーション系列モデル Ke+2019 RL

39.

40.

Bayer+2014 (STORNs) and Chung+2015 (VRNN) • 概要: RARに確率的な変数𝑧𝑡 を加えたもの • STORNではSV2Pとグラフィカルモデル的に（ほぼ）同じ • 違い：確率的な揺らぎが内生的か外生的か生成過程: ς𝑇𝑡 𝑝 𝑜𝑡 𝑜<𝑡 , 𝑧<𝑡 𝑝(𝑧𝑡 ) 推論分布: 𝑞(𝑧𝑡 |𝑜1:𝑡 ) STORN, 𝑧𝑡−1 𝑧𝑡−1 𝑧𝑡 生成過程: ς𝑇𝑡 𝑝 𝑜𝑡 𝑜<𝑡 , 𝑧<𝑡 𝑝(𝑧𝑡 |𝑜<𝑡−1, 𝑧<𝑡−1) 推論分布: 𝑞(𝑧𝑡 |ℎ𝑡−1, 𝑜𝑡 ) VRNN 𝑧𝑡 ℎ𝑡−1 ℎ𝑡 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 𝑜𝑡−1 𝑜𝑡 ※ 図の矢印は生成過程のみ表示

41.

Chung+2015 (VRNN) • 実験: VRNNの方がSTORNに比べてspeech modelingで尤度が高い • （余談: じゃあSV2Pも𝑧𝑡 のprior変えた方が良いのでは…… => Denton+2018） STORNに相当

42.

Improved Dynamics Model とその系譜 RAR+潜在変数系 Bayer+2014 (STORNs) Chung+2015 (VRNN) Goyal+2017 (Z-forcing) 潜在空間上のplanning SSM Fraccaro +2016 (SRNN) Buesing +2018 Karl+2017 (DVBF) 未来からの推論， Posterior Collapse対策のモチベーション系列モデル Ke+2019 RL

43.

Goyal+2017 (Z-forcing) • 問題: 自己回帰モデルでは潜在変数が無視されやすい（Posterior Collapse） • 提案: 𝑧𝑡 が未来の情報を持つような推論分布𝑞(𝑧𝑡 |𝑜1:𝑇 )を作ると無視されにくい • SSMの文脈でFraccaro +2016 (SRNN)によってすでに提案された • 実際は𝑜<𝑡 , 𝑜>𝑡 をそれぞれRNNで集約 • 加えて𝑧𝑡 から𝑜𝑡< を予測するような補助タスクも組み入れる 𝑏𝑡−1 𝑧𝑡−1 𝑏𝑡 𝑧𝑡 ℎ𝑡−1 ℎ𝑡 𝑜𝑡−1 𝑜𝑡 ※赤色の破線は推論分布

44.

45.

Improved Dynamics Model: 環境モデル側から見ると……（再掲） • 環境モデル: • z-forcing • 野中さん資料: https://www.slideshare.net/DeepLearningJP2016/dlzforcing-training-stochasticrecurrent-networks-nips2017 • 環境モデルの用途: • Imitatio Learningの場合: • z-forcingでナイーブにモデル化できる • RLの場合: • 潜在変数を用いたMPC • 探索への活用 • （表現学習）

https://www.slideshare.net/DeepLearningJP2016/dlzforcing-training-stochastic-recurrent-networks-nips2017

46.

Improved Dynamics Model: 環境の詳細 • z-forcingにアクションデコーダー（青線）を加えただけ • （さりげなく𝑧𝑡−1 から𝑜𝑡−1 のパスも生えている） 𝑧𝑡−1 𝑧𝑡 ℎ𝑡−1 𝑎𝑡−2 ℎ𝑡 𝑎𝑡−1 𝑜𝑡−1 𝑜𝑡

47.

Improved Dynamics Model: 環境モデルのRLへの活用 • Imitation Learningの場合 • actionも含めたz-forcingでエキスパートを学習 • できあがったアクションデコーダーをそのまま方策に用いればよい • （ただのBehavior Cloningなんだけど，Cloneingを行うモデルがz-forcingで強い） • RLの場合 • 潜在空間上でのMPC 1. 環境モデル上でMPCを行い潜在変数の系列𝑧1:𝑘 を集める（not 𝑎1:𝑘 ） 2. 𝑧1:𝑘 からアクション𝑎1:𝑘 を生成する（記載がないが，アクションデコーダーを使う？） • 潜在変数を経由させることで，直接アクションをサンプリングするよりも安定する（アクションデコーダーを介することで分布の外に出ていかないということだと思う） • 探索への活用 • 訓練データ収集時は，環境モデルの予測が当たりづらいところを重点的に探索する • （環境モデルの負の尤度を報酬とした方策を学習すれば良い）

48.

Improved Dynamics Model: 実験 • ベースライン: • recurrent policy. 𝑝(𝑎𝑡 |𝑜1:𝑡 )をLSTMでモデル化してBehavior Cloning • SeCTAr（Sparse rewardに強い） • 提案手法の補助タスクなしversion • 実験環境: • IL: Mujoco tasks, Baby AI Pick Unlock（長期の予測が大事なPOMDPのタスク） • RL: Wheeled Locomotion. Sparce rewardのタスク

49.

Improved Dynamics Model: ILの実験 • オレンジ: 提案手法 • 緑: recurrent policy • 紫: 補助タスクなし提案手法

50.

Improved Dynamics Model: ILとRLの実験 • 長期の予測が重要となる二つのタスクでベースラインを上回る精度 • 提案手法は未来の情報を持つ（と期待される）潜在変数を持っているが，それが寄与したのではないか

51.

Improved Dynamics Model: 感想 • 実験は小規模だけど，長期の予測が必要なタスクを持ってくるなど設計がうまい • ILの実験では，InverseRLの手法との比較も欲しかった • z-forcingみたいにちゃんとした系列モデル立てればBehavior Cloningで十分なのか知りたい

52.

PlaNet: 概要 • 書誌情報: • タイトル: Learning Latent Dynamics for Planning from Pixels. • 著者: Danijar Hafner, Timothy Lillicrap, Ian Fischer, Ruben Villegas, David Ha, Honglak Lee, James Davidson. • グループ: GoogleBrain等 • 投稿先: arxiv2018, ICML2019 under review • 概要: • SSMを環境のモデルとして用いたモデルベースRL． • SSMをモデルベースRLに適用するのはほぼ先行研究がない • SSM側での新規の提案の貢献も大きい • Mujocoタスクを画像入力で行いD4PGの50+倍のサンプル効率を達成 • この輪読会で谷口くんが一度発表済み • https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-forplanning-from-pixels

https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-for-planning-from-pixels

53.

PlaNet:環境モデル側から見ると…… • 環境モデル • Fraccaro +2016 (SRNN)やBuesing+2018と類似した確率的なパスと決定的なパスの組み合わせ • 長期の予測を行うための新しい訓練法Latent Over Shootingを提案 • RLへの用途 • 潜在空間上のMPC．SSMなので高速．

54.

PlaNetとその系譜 DeepなSSM Krishnan +2015 (DKF) 決と定の的融な合遷移 Fraccaro +2016 (SRNN) Chiappa +2017 (RES) Two-step SSM Watter+2015 (E2C) Ha+2018 (World Models) SSM 系列モデル Buesing +2018 Hafner+2019 (PlaNet) RL

55.

56.

Krishnan+2015(DKF) and Fraccaro +2016 (SRNN) • 環境モデル: SRNNはDKFに決定的なパスを追加した形になっている • 実験: MNIST，尤度計算（not 生成）など比較的小規模 SRNN 𝑎𝑡−2 DKF 𝑎𝑡−2 𝑎𝑡−1 𝑎𝑡−1 ℎ𝑡−1 ℎ𝑡 𝑠𝑡−1 𝑠𝑡 𝑠𝑡−1 𝑠𝑡 𝑜𝑡−1 𝑜𝑡 𝑜𝑡−1 𝑜𝑡

57.

58.

Buesing+2018, Learning and querying fast generative models for reinforcement learning • 概要: • SSMを環境のモデルとして用いた初めての論文 • 4つの環境のモデルを比較して，SSMが速度，精度ともに良いことを示した • RL側は環境モデルをI2Aに活用 4つの環境モデル RAR 𝑎𝑡−2 dSSM-DET 𝑎𝑡−2 𝑎𝑡−1 𝑎𝑡−1 𝑠𝑡−1 𝑠𝑡 𝑠𝑡−1 𝑠𝑡 𝑜𝑡−1 𝑜𝑡 𝑜𝑡−1 𝑜𝑡

59.

Buesing+2018 4つの環境モデル dSSM-VAE sSSM 𝑎𝑡−2 𝑎𝑡−1 𝑠𝑡−1 𝑎𝑡−2 𝑜𝑡−1 𝑠𝑡−1 𝑠𝑡 𝑧𝑡 𝑧𝑡−1 𝑎𝑡−1 𝑧𝑡 𝑧𝑡−1 𝑜𝑡 𝑠𝑡 𝑜𝑡−1 𝑜𝑡 ※推論は filtering like

60.

Buesing+2018 • RLへの用途: I2A (Weber+2017)を基本 • 環境モデルが不完全であることを前提に，不完全さ自体もDNNに解釈させる • I2Aの手順 1. 価値関数，方策，ロールアウト用方策を用意する 2. 環境モデル上でロールアウト用方策𝜋(𝑎|𝑠)から𝑎𝑡:𝑡+𝑘 , 𝑠𝑡:𝑡+𝑘 をロールアウト 3. ロールアウトした𝑠𝑡:𝑡+𝑘 をLSTMで集約し，価値関数と方策への入力とする 4. 価値関数と方策を使ってactor-criticで訓練 5. (ロールアウト用方策の学習法は2つ提案されている） • 余談: ベースラインのRARにI2Aを使う時は𝑠𝑡:𝑡+𝑘 ではなく𝑜𝑡:𝑡+𝑘 をロールアウトしてLSTMで集約しているが…… • ℎ𝑡:𝑡+𝑘 での比較も欲しい？（表現学習としての環境モデル）

61.

Buesing+2018 • MS_PACMANでの実験: SSM+I2Aの必要性をablation studyする • baseline model-free: actor-critic • baseline copy model: I2Aへの入力を𝑠𝑡:𝑡+𝑘 から 𝑠𝑡 に変更

62.

Buesing+2018 • Atariの4つでの実験: sSSMがRARより性能，速度ともに勝ることを示す • 表の数字は環境のモデルの尤度がbaselineモデルの何倍か • SSMは観測𝑜を逐次的に生成する必要がないため高速 • baseline: Oh+2015のFeedForwardモデルのVAE版 • 一般的にどれくらいの強さか？

63.

64.

PlaNet:環境モデル側から見ると……（再掲） • 環境モデル • Fraccaro +2016 (SRNN)やBuesing+2018と類似した確率的なパスと決定的なパスの組み合わせ • 長期の予測を行うための新しい訓練法Latent Over Shootingを提案 • RLへの用途 • 潜在空間上のMPC．SSMなので高速．

65.

PlaNet: 環境モデルの詳細 • 確率的と決定的，両方の遷移を持つ • 完全に決定的だとデータの性質に合わない，確率的だと学習が難しいのだと思う • Fraccaro+2016やBuesing+2018でも軽く言及されていたこと • 本論文でも実験で示す • Buesing+2018のsSSMと似ているが，𝑠から𝑧のパスのタイムステップが違う • どちらが良い等の言及は特になし 𝑎𝑡−2 RSSM 𝑎𝑡−1 𝑠𝑡−1 𝑠𝑡 𝑧𝑡 𝑧𝑡−1 𝑜𝑡−1 , 𝑟𝑡−1 𝑜𝑡 , 𝑟𝑡

66.

PlaNet: 訓練の詳細 • 複数ステップ先の予測を安定させるためLatent overshootingを提案 • 詳細は谷口くんの資料: https://www.slideshare.net/DeepLearningJP2016/dllearninglatent-dynamics-for-planning-from-pixels • 潜在変数に未来の情報を持たせたいというモチベーションは"Improved Dynamics Model"と似てる？

https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-for-planning-from-pixels

67.

PlaNet: RLへの用途 • 基本的にはMPC，ただしSSM観測𝑜を逐次的に生成する必要がない • 観測の逐次的な生成が必要ない点でHa+2018 (world models)と似ているが，あちらは𝑞(𝑧𝑡 |𝑜𝑡 ) を事前学習して固定する => 潜在変数にマルコフ性がない 𝑎𝑡−2 𝑎𝑡−1 𝑠𝑡−1 𝑠𝑡 𝑧𝑡 𝑧𝑡−1 𝑟𝑡−1 𝑟𝑡 𝑜𝑡 はいらない 𝑟𝑡 を予測して，サンプリングしたアクション系列の良さを測る

68.

PlaNet: 実験 • 提案手法RSSMによるビデオ生成．50ステップ先も生成できる • SSMによるビデオ生成はKrishnan+2015やKarl+2017のToyなものしかこれまで（発表者の知る限り）なかったので，(RL抜きの)SSMの研究としてもすごい気がする

69.

PlaNet: 実験 • RLではDeepMiind Control suiteの4つのタスクで実験 • サンプル効率がモデルフリーの手法の50+倍 • タスクによってはモデルフリーの手法（A3C, D4PG）より精度が良い • 詳細は谷口くんの資料にあります • https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-forplanning-from-pixels

https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-for-

70.

PlaNet: 感想 • SSM(observation-independent)で50ステップ先まで動画を生成できるのはすごい． • タスクによってはモデルフリーの手法（A3C, D4PG）より精度が良いが，これは SimPLeのように単にシミュレータとして用いると難しいはず • SSMなので潜在変数がマルコフ性を満たすよい表現になっている？？ • SSMはRARよりも画像の生成が難しいが，(1)速度による恩恵は大きい(2)マルコフ性を満たす表現の学習になっているので，いずれ本命になってくるかも

71.

全体まとめと感想 • まとめ • いろいろあるよVAE x 系列モデル • 3つのモデルベースRLの論文を題材に，VAE x 系列モデルの進展がモデルベースRLの進展を支えていることを紹介した • 感想: • 系列モデルをより複雑な動画にスケールさせるための研究がこれからさらに増えてくるだろうし，それを利用すればより高度なRLタスクが解けるようになっていくはず

72.

参考にさせていただいた資料 • 強化学習ロボティクスの動向サーベイ, 島田さん, https://speakerdeck.com/caprest/di-33hui-qiang-hua-xue-xi-akitekutiyamian-qiang-huiqiang-hua-xue-xi-roboteikusufalsedong-xiang-falsesabei • （今日は紹介できなかったが）PILCOやGPSの解説がある貴重な日本語資料 • TD-VAEの輪読資料, 鈴木さん, https://www.slideshare.net/masa_s/ss-97848402 • VAE x 系列モデルがまとまっている • PlaNetの輪読資料, 谷口くん, https://www.slideshare.net/DeepLearningJP2016/dllearning-latent-dynamics-forplanning-from-pixels • z-forcingの輪読資料, 野中さん, https://www.slideshare.net/DeepLearningJP2016/dlzforcing-training-stochasticrecurrent-networks-nips2017

73.

References • Marc Deisenroth and Carl E Rasmussen. Pilco: A model-based and data-efficient approach to policy search. ICML2011 • Levine, Sergey and Abbeel, Pieter. Learning neural network policies with guided policy search under unknown dynamics. NIPS2014 • Justin Bayer and Christian Osendorfer. Learning stochastic recurrent networks. arXiv2014 • Rahul G Krishnan, Uri Shalit, and David Sontag. Deep kalman filters. arXiv2015. • Watter, M., Springenberg, J., Boedecker, J., and Riedmiller, M. Embed to control: A locally linear latent dynamics model for control from raw images. NIPS2015 • Chung, Junyoung, Kastner, Kyle, Dinh, Laurent, Goel, Kratarth, Courville, Aaron C, and Bengio, Yoshua. A recurrent latent variable model for sequential data. NIPS2015 • Junhyuk Oh, Xiaoxiao Guo, Honglak Lee, Richard L Lewis, and Satinder Singh. Action-conditional video prediction using deep networks in atari games. NIPS2015 • Finn, C., Tan, X. Y., Duan, Y., Darrell, T., Levine, S., and Abbeel, P. Deep spatial autoencoders for visuomotor learning. ICRA2016 • Fraccaro, M., Sønderby, S. K., Paquet, U., and Winther, O. Sequential neural models with stochastic layers. NIPS2016 • Chelsea Finn, Ian Goodfellow, and Sergey Levine. Unsupervised learning for physical interaction through video prediction. NIPS2016 • Oh, J., Singh, S., and Lee, H. Value prediction network. NIPS2017 • Hsu, W.-N., Zhang, Y., and Glass, J. Unsupervised learning of disentangled and interpretable representations from sequential data. NIPS2017 • Anirudh ALIAS PARTH Goyal, Alessandro Sordoni, Marc-Alexandre Coˆte ́, Nan Ke, and Yoshua Bengio. Z-forcing: Training stochastic recurrent networks. NIPS2017

74.

References • Weber, T., Racanière, S., Reichert, D. P., Buesing, L., Guez, A., Rezende, D. J., Badia, A. P., Vinyals, O., Heess, N., Li, Y., et al. Imagination-augmented agents for deep reinforcement learning. NIPS2017 • van den Oord, A., Vinyals, O., and Kavukcuoglu, K. Neural discrete representation learning. NIPS2017. • Silvia Chiappa, Se ́bastien Racaniere, Daan Wierstra, and Shakir Mohamed. Recurrent environment simulators. ICLR2017 • Karl, M., Soelch, M., Bayer, J., and van der Smagt, P. Deep variational bayes filters: Unsupervised learning of state space m odels from raw data. ICLR2017 • Babaeizadeh, M., Finn, C., Erhan, D., Campbell, R. H., and Levine, S. Stochastic variational video prediction. ICLR2018 • David Ha, Jurgen Schmidhuber. Recurrent World Models Facilitate Policy Evaluation. NIPS2018 • Yingzhen Li, Stephan Mandt. Disentangled Sequential Autoencoder. ICML2018 • Denton, E. and Fergus, R. Stochastic video generation with a learned prior. ICML2018 • Kaiser, L. and Bengio, S. Discrete autoencoders for sequence models. arxiv2018 • Lars Buesing, Theophane Weber, Sebastien Racaniere, SM Eslami, Danilo Rezende, David P Re- ichert, Fabio Viola, Frederic Besse, Karol Gregor, Demis Hassabis, et al. Learning and querying fast generative models for reinforcement learning. arxiv2018 • Gregor, K. and Besse, F. Temporal difference variational auto-encoder. ICLR2019 • Ke, N. R., Singh, A., Touati, A., Goyal, A., Bengio, Y., Parikh, D., and Batra, D. Learning Improved Dynamics Model in Reinforcement Learning by Incorporating the Long Term Future. ICLR2019 • Ebert, F., Finn, C., Dasari, S., Xie, A., Lee, A., and Levine, S. Visual foresight: Model-based deep reinforcement learning for vision-based robotic control. arxiv2018 • Danijar Hafner, Timothy Lillicrap, Ian Fischer, Ruben Villegas, David Ha, Honglak Lee, James Davidson. Learning Latent Dynamics for Planning from Pixels. arxiv2019 • Kaiser, L., Babaeizadeh, M., Milos, P., Osinski, B., Campbell, R.H., Czechowski, K., Erhan, D., Finn, C., Kozakowski, P., Lev ine, S., Others: Model-Based Reinforcement Learning for Atari. arxiv2019 • Marvin Zhang, Sharad Vikram, Laura Smith, Pieter Abbeel, Matthew J. Johnson, Sergey Levine. SOLAR: Deep Structured Representations for Model-Based Reinforcement Learning. arxiv2019

[DL輪読会]“SimPLe”,“Improved Dynamics Model”,“PlaNet” 近年のVAEベース系列モデルの進展とそのモデルベースRLへの応用

Deep Learning JP

関連スライド

【DL輪読会】KAN: Kolmogorov–Arnold Networks

【DL輪読会】Evolutionary Optimization of Model Merging Recipes モデルマージの進化的最適化

【拡散モデル勉強会】拡散モデルの数理

【拡散モデル勉強会】Introduction to Diffusion Models

【DL輪読会】Generative Agents: Interactive Simulacra of Human Behavior

【DL輪読会】LLMベースの自律型エージェントシステムのサーベイ

各ページのテキスト