近日，北京大学人工智能研究院多智能体中心杨耀东助理教授团队在NeurIPS 2022发表论文“Meta-Reward-Net: Implicitly Differentiable Reward Learning for Preference-based Reinforcement Learning”。该工作提出了一个反馈高效的偏好强化学习（Preference-based Reinforcement Learning，PbRL）算法Meta-Reward-Net（MRN），MRN能够在学习奖励函数的同时关注Q函数的表现。实验证明了所提出算法的有效性，在少量人类偏好的情况下，MRN能够比之前的方法学到更加准确的Q函数和更好的策略。
自2022年11月发布以来，ChatGPT[1]在全球掀起了轩然大波。仅仅两个月的时间，月活跃用户就已经达到了1亿，创造了全新的用户增长速度纪录。在ChatGPT中，OpenAI的研究者采用了人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）技术，通过训练奖励函数对模型进行微调，从而使其生成的内容更符合人类价值观。如图1所示，ChatGPT在步骤2中使用经过人类排序的回答数据训练奖励函数（Reward Function），随后在步骤3中利用该奖励函数微调（Fine-tune）模型。值得一提的是，在OpenAI最新发布的GPT-4[2]中，我们仍然可以看到RLHF技术的身影。
图1 ChatGPT框架图[1]，其中步骤2使用了RLHF技术训练奖励函数
除了在ChatGPT等模型中展现出强大的威力，RLHF技术在强化学习任务中也发挥着重要作用。在常见的决策任务中，智能体的目标是最大化累积回报。然而，强化学习的一个核心挑战是如何设计奖励函数。一方面，奖励函数的质量在很大程度上取决于问题解决者对任务目标、操作逻辑和相关背景知识的理解。另一方面，智能体可能会通过破解奖励函数，而不是真正解决目标任务，来最大化累积奖励。此外，在一些涉及人类的场景中，智能体的目标是最大化人类的满意度，但是指定奖励函数往往非常困难。RLHF技术可以通过监督学习的方法学习到与人类反馈相一致的奖励函数，从而可以将奖励与人类价值观直接对齐。如图2所示，人类专家为智能体的轨迹提供人类反馈，从而可以通过人类反馈学习奖励函数，并通过预测的奖励学习强化学习策略。
图2 RLHF框架图[3]
然而，反馈效率一直是RLHF算法的一个瓶颈。反馈效率指的是如何在有限的人类反馈下最大化学习效果。由于人类专家标注的偏好数据通常是比较昂贵的，现有方法往往需要较多的人类反馈进行学习，因此反馈效率较低。此外，之前的RLHF算法只通过人类偏好学习奖励函数，因此当人类反馈较少时，RLHF算法学习出的奖励函数是不准确的，进而影响Q函数和策略的学习。这一现象被称为确认偏差（Confirmation Bias），即一个神经网络过拟合到了另一个神经网络不准确的输出。
本工作关注RLHF算法的反馈效率问题。考虑到奖励函数和Q函数的作用关系，我们提出了一个教师-学生的教学方法，以更好地利用有限的人类反馈。我们将奖励函数视为教师网络，将Q函数视为学生网络，在学习奖励函数的同时，额外关注Q函数的表现。我们使用双层优化方法（Bi-level Optimization）建模整个过程，算法框架如图3所示。具体来说，在内层循环中，MRN通过奖励函数更新Q函数和策略；在外层循环中，MRN根据Q函数在偏好数据上的评估损失优化奖励函数。这样奖励函数在通过人类反馈学习的同时，可以额外关注Q函数的准确性，从而提高反馈效率。
图3 MRN算法框架。①策略与环境交互时会采集数据，奖励函数会对数据标注奖励标签。②策略和Q函数使用由最新的奖励函数标注的数据进行学习。③使用Q函数在偏好数据上做测试，为奖励函数学习提供隐式梯度。
然而，由于Q函数和奖励函数的参数之间没有显式关系，MRN首先采用伪更新的方法建立了Q函数与奖励函数的关系，具体来说，MRN算法利用奖励函数的输出来对拷贝的Q函数进行一步更新，并用拷贝的Q函数在人类反馈数据上进行测试，计算损失。根据链式法则，该损失可以用于对奖励函数计算隐式梯度，从而更新奖励函数的参数，使其在学习人类反馈的同时，关注Q函数的表现。
此外，本工作对MRN算法的收敛性进行了分析。MRN通过双层优化框架进行建模，涉及外层损失和内层损失，定理1和定理2分别对外层、内层损失进行了分析。定理1证明了MRN算法的外层损失在一些温和条件下的收敛速率。在相同条件下，定理2证明了MRN算法内层损失的收敛性。
图4 MRN算法的收敛性分析
为了评估MRN算法是否有效地提高了反馈效率，本工作在Meta-world[4]的六个机器人操纵任务和DeepMind Control Suite（DMControl）[5,6]的三个智能体移动任务上进行了实验评估。
图5 Meta-world六个任务的训练曲线，实线和阴影分别表示10个种子的均值和标准差
图6 DMControl三个任务的训练曲线，实线和阴影分别表示10个种子的均值和标准差
图5和图6展示了MRN和其他基线方法的训练曲线。在图中，由于使用真实奖励函数进行学习，SAC（蓝线）在所有任务中表现最好，作为所有RLHF方法的上界。由于提供的反馈较少，所有RLHF方法与SAC上界之间存在差距，但MRN仍然在很大程度上超过了RLHF基线。实验结果表明，MRN显著提高了RLHF算法的反馈效率。
本工作提出了一种反馈高效的偏好强化学习方法MRN，在学习奖励函数的同时，将Q函数与人类偏好对齐，从而可以学习到更准确的Q函数。实验证明了当人类反馈较少时，MRN超越了之前的RLHF方法，并显著提高了各种机器人模拟任务的反馈效率。当人类反馈很少时，MRN大大超越了RLHF基线方法。
未来，RLHF算法仍有许多值得探究的方向：例如如何进一步提高RLHF算法的反馈效率，如何只使用很少的人类反馈即可学习到优异的策略，如何有效地将RLHF算法拓展到图像输入的强化学习任务上，以及如何更加鲁棒地从含有噪声的人类反馈中进行学习。
参考文献：
[1] OpenAI. Openai: Introducing ChatGPT, 2022. URL https://openai.com/blog/chatgpt.
[2] OpenAI. Gpt-4 technical report, 2023. arXiv preprint arXiv:2303.08774.
[3] Paul F Christiano, Jan Leike, Tom Brown, Miljan Martic, Shane Legg, and Dario Amodei. Deep reinforcement learning from human preferences. In Advances in Neural Information Processing Systems (NeurIPS), 2017.
[4] Tianhe Yu, Deirdre Quillen, Zhanpeng He, Ryan Julian, Karol Hausman, Chelsea Finn, and Sergey Levine. Meta-world: A benchmark and evaluation for multi-task and meta reinforcement learning. In Conference on Robot Learning (CoRL), volume 100, pages 1094–1100. PMLR, 2020.
[5] Yuval Tassa, Yotam Doron, Alistair Muldal, Tom Erez, Yazhe Li, Diego de Las Casas, David Budden, Abbas Abdolmaleki, Josh Merel, Andrew Lefrancq, et al. Deepmind control suite. arXiv preprint arXiv:1801.00690, 2018.
[6] Saran Tunyasuvunakool, Alistair Muldal, Yotam Doron, Siqi Liu, Steven Bohez, Josh Merel, Tom Erez, Timothy Lillicrap, Nicolas Heess, and Yuval Tassa. dm_control: Software and tasks for continuous control. Software Impacts, 6:100022, 2020.
