背景
近年来，深度强化学习（RL）方法在人工智能方面取得了令人瞩目的进步，在从Atari到Go到无限制扑克等领域都超过了人类的表现。
这一进展引起了对了解人类学习感兴趣的认知科学家的关注。但是，人们一直担心，深层RL可能太低样本效率-也就是说，它可能太慢-无法为人类学习提供一个合理的模型。
在本综述中，作者通过描述最近开发的技术来反驳这种批评，这些技术使深层RL能够更灵活地运行，比以前的方法更快地解决问题。尽管这些技术是在AI环境中开发的，但我们建议它们可能会对心理学和神经科学产生深远的影响。这些AI方法产生的关键见解
要解决的问题
RL 很慢，也就是说大部分的 RL 方法非常的 sample inefficient.
问题来源
- DRL 需要增量的更新，在 使用梯度方法更新 NN 的时候，大的更新会让网络非常的不稳定
- 非常弱的 Induction Bias （可以理解为推导能力比较弱，很难从问题中发现真正有效的结构）
DeepMind列举了两个主要原因：
一种是增量参数调整（增量参数调整）原始算法从输入环境到输出人工智能动作，采用梯度下降法进行映射。
在这个过程中，每一个增量都需要非常小，这样新学到的信息就不会被覆盖，以前学到的经验也会被覆盖（这称为“灾难性干扰”）因此，学习过程非常缓慢。
二是弱感应偏压。任何学习过程都必须面对“偏见-差异权衡”
所谓偏见是在开始时限制一些可能的结果，人工智能从内部找到它想要的结果。限值越窄，人工智能只能考虑一些可能性，更快地得到结果。
弱归纳偏差，需要考虑更多的可能性，学习比较慢。重要的是，通用神经网络是一个极低偏差的系统，它们有大量的参数可以用来拟合广泛的数据。
drl是在rl中使用深度网络。因此，初始样本效率必须非常低，需要大量的数据来学习。
如何解决
deepmind引用了两种方法，正确的路径。
首先，解决参数增量问题：
该方法是一种Episodic深度强化学习（Episodic DRL）它是为过去发生的事件保留显式记录（显式记录）。此记录将作为指导人工智能做出新决策的基础。
它类似于机器学习中的“非参数”方法，更类似于“基于样本”的心理学。
当遇到新事件时，新的内部决策（内部表示）将与存储的过去事件进行比较在中间匹配最高得分。
增量方法和增量方法的区别在于，在这里，可以立即使用从过去事件中学习到的信息，从而加快学习过程。
但是请注意，快速事件学习是基于缓慢的增量学习。
因为，在比较当前事件和过去事件的表示之前，AI必须首先学习这些表示：连接权重的学习仍然是增量的，就像传统的DRL算法一样。
慢慢学习角色化后，你就可以开始跑得很快了。
deepmind说，心理学和神经科学和人工智能领域（这一部分，你可以自己探索原文）都反映出“从慢变慢”并非巧合。
然后，解决感应偏压问题：
首先定义一个狭窄的范围，让人工智能探索。一切都明白了，你怎么知道该把它限制在哪里？
答案是借鉴过去的经验。
例如第一次使用智能手机的人可能以前使用过其他设备。那里的经验可以帮助他快速学会如何使用智能手机。如果你没有这些经验，你只能广泛尝试，影响学习的速度。
这个想法也源于心理学，叫做“学会学习”
心理学家哈里·哈洛用猴子做实验：给猴子两个不熟悉的东西，一个做食物，一个做食物。换两个对象，然后换两个…很久以前的猴子都知道，不管东西是什么，不管它是在左边还是在右边，一边都没有食物。
回到人工智能领域，利用过去的经验加速学习。在机器学习中，它被称为元学习。
王和段领导的两项研究几乎同时发表。所有这些原则都被用于深层强化学习，即元强化学习（meta-rl）。
一个rnn由许多相互关联的rl任务训练。
慢慢调整rnn的权值，然后吸收各种rl任务中的公共点来改变网络设置。最初，它无法快速更改以支持任何单个任务。
关键是从rnn的活动动力学出发，生成一个独立的rl算法，在已有任务的基础上快速求解新任务。
一个rl算法可以生成另一个rl算法，即元增强学习。
与plot RL一样，meta RL还涉及快速和慢速之间的链接：
在学习不同的RL任务的过程中，RNN中的连接会缓慢地更新，在不同的任务之间建立一个公共部分并将其构建到网络中。
让这个rnn，实现新的rl算法，快速完成任务。毕竟，对于学习基础知识的速度慢已经存在一种归纳偏见（就像人类使用智能手机之前使用过的其他设备一样）。
然而，慢是快速的先决条件。
当然，plot-drl可以与meta-rl相结合，相互补充。
在幕式元康复学习中，元学习是在rnn中实现的，但与情节记忆系统叠加以恢复rnn中的活动模式。
就像plot rl一样，插曲内存对各种过去的事件进行编目，并可以进行查询。
但决策过程是不同的，而不是根据匹配得分选择下一步行动。它链接到rnn存储的活动模式。
这些模式非常重要，通过rnn，它们可以总结出代理所学到的东西。
当代理遇到类似于过去的情况时，它将恢复以前经验中的一些隐藏激活，这样以前学到的信息将派上用场并影响当前的策略。
这就是所谓的情景强化学习，它可以进一步加快强化学习的速度。
总结
标题是 RL, fast and slow. 但是我们会发现，即使是 fast 也来源于 slow, 就是想让一个Agent 在一个新任务上表现的又好又快依赖于 offline 大量的pre-train.
这个也和人类的遗传相似，遗传的过程可以看作是 RNN，经历了很多代之后的人类有了很多经验，这样才能在新任务上很快适应。
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/253384.html