티스토리 뷰

(OpenAI Spinning Up 글을 개인적으로 정리했습니다. 원본)

 

Extra Material — Spinning Up documentation

Docs » Extra Material Edit on GitHub © Copyright 2018, OpenAI. Revision 97c8c342. Built with Sphinx using a theme provided by Read the Docs.

spinningup.openai.com

 이번 글에서는 finite-horizon undiscounted return 상태에서 다음 식을 증명하고자 한다.

$$ \nabla_{\theta} J(\pi_{\theta}) = E_{\tau \sim \pi_{\theta}} \Big[ \sum_{t=0}^{T} \big( \nabla_{\theta} \log \pi_{\theta} (a_{t} | s_{t} ) \big) Q^{\pi_{\theta}}(s_{t}, a_{t}) \Big] $$

 infinite-horizon discounted return 상황에서도 같은 증명을 적용할 수 있다.

 위 식에 대한 증명은 law of iterated expectation 의 영향을 받는다. 우선 이전에 다뤘던 reward-to-go 형식의 policy gradient 수식을 다시 써보고자 한다. ( 여기서 \(\hat{R_{t}} = \sum_{t'=t}^{T} R(S_{t}, a_{t}, s_{t+1}) \) 으로 축약했다.)

$$ \begin{align} \nabla_{\theta} J(\pi\_{\theta}) &= E_{\tau \sim \pi_{\theta}} \bigg[ \sum_{t=0}^{T} \nabla_{\theta} \log \pi_{\theta} (a_{t}|s_{t}) \hat{R_{\theta}} \bigg] \\ &= \sum_{t=0}^{T} E_{\tau \sim \pi_{\theta}} \Big[ \nabla_{\theta} \log \pi_{\theta} (a_{t}|s_{t}) \hat{R_{t}} \Big] \end{align} $$

 조금 표현이 복잡해지긴 하지만 t 시간가지 수집된 trajectory를 \( \tau_{:t} = (s_{0}, a_{0}, ..., s_{t}, a_{t}) \) 라고 하고 \( \tau_{t:} \)는 그 이후의 trajectory라고 정의를 해보자. 그러면 law of iterated expectation에 따라서 위의 수식을 다음과 같이 나눠서 볼 수 있다.

$$ \nabla_{\theta} J(\pi_{\theta}) = \sum_{t=0}^{T} E_{\tau_{:t} \sim \pi_{\theta}} \Big[ E_{\tau_{t:} \sim \pi_{\theta}} \Big[ \nabla_{\theta} \log \pi_{\theta} (a_{t} | s_{t}) \hat{R_{t}} | \tau_{:t} \Big] \Big] $$

 이 때 inner expectation 식에 있는 grad-log-prob 항은 상수가 된다. (해당 항은 \(s_{t}\)와 \(a_{t}\)와 관련되어 있는데, inner expectation은 \(\tau_{:t}\) (즉, \(s_{t}, a_{t}\) 로 이뤄진 trajectory) 가 고정된 상태이기 때문이다. 그래서 expectation 바깥으로 빼보면 다음과 같이 정리해볼 수 있다.

$$ \nabla_{\theta} J(\pi_{\theta}) = \sum_{t=0}^{T} E_{\tau_{:t} \sim \pi_{\theta}} \Big[ \nabla_{\theta} \log \pi_{\theta} (a_{t} | s_{t}) E_{\tau_{t:} \sim \pi_{\theta}} \Big[ \hat{R_{t}} | \tau_{:t} \Big] \Big] $$

  Markov Decision Process에 따르면, future는 가장 최근의 state와 action에 의해서만 달라진다고 정의되어 있다. 결과적으로 inner expectation, time \(t\) 까지 과거를 모두 통틀어서 조건이 형성된 상태에서 future까지의 expecation은 가장 최근의 timestep \( (s_{t}, a_{t}) \)의 조건만 반영된 expectation과 동일하다는 것을 알 수 있다.

$$ E_{\tau_{t:} \sim \pi_{\theta}} \Big[ \hat{R_{t}} | \tau_{:t} \Big] = E_{\tau_{t:} \sim \pi_{\theta}} \Big[ \hat{R_{t}} | s_{t}, a_{t} \Big] $$

 여기서 policy \( \pi_{\theta} \)에 대한 state-action value fuction인 \(Q^{\pi_{\theta}}(s_{t}, a_{t})\) 의 정의를 다시 살펴보면, state \(s_{t}\)에서 action \(a_{t}\)를 취한 상태에서, on-policy \(\pi_{\theta}\)에 의해 나머지 trajectory에 대한 action을 취한 것에 대한 expected return임을 알 수 있고, 이를 통해 결과를 바로 확인할 수 있게 된다.

댓글
댓글쓰기 폼
«   2019/11   »
          1 2
3 4 5 6 7 8 9
10 11 12 13 14 15 16
17 18 19 20 21 22 23
24 25 26 27 28 29 30
글 보관함
Total
1,384,168
Today
39
Yesterday
390