（其实是博士生资格考试需要介绍的 20 篇文献… 选了比较熟悉的 20 篇，拼尽全力读完 10 篇，就读不动了… 读文献真是太难了……
[🍵 PbRL] Deep reinforcement learning from human preferences (Christiano 2017)
这篇文章是 PbRL 的开山之作，（可能）首次明确提出了 PbRL 试图解决 address 的核心问题：对于那些目标复杂、定义模糊、难以用数学形式描述的 task，我们希望从 human feedback 中学习一个 reward model，并将其作为 RL 的奖励函数。
这个问题的现实意义在于：许多 real-world task 的目标非常复杂，难以用数学函数精确描述。手工设计奖励函数可能导致 reward hacking，需要反复进行 reward engineering，费时费力。如果有人类 demo / 专家数据，可以做 inverse RL 或 behavior cloning，但是很多任务难以给出人类 demo，比如控制奇形怪状的、跟人类很不像的机器人。而 PbRL 提出的 “比较而非打分”范式，可以显著降低人类认知负荷，让 agent 行为更自然地与人类意图对齐，做人类想做的事。
在 formulation 方面，文章定义 preference 可以由一个 underlying reward function 生成（第四页顶部）：通过比较两个 trajectory segment 的累计 reward 之和的大小关系来确定 preference。
然后，文章提出了用 Bradley-Terry model 来建模 preference 与 reward model 之间的关系，并设计了一个交叉熵 loss function，用于惩罚 “segment reward 之和的比较结果与 preference 不一致” 的情况，由此构建了 reward model 的学习方法。
在 method 方面，文章建立了 PbRL 基于 human feedback 学策略的流程：策略 $\pi$ 收集新数据 → 生成新 query → 获取 human feedback → 更新 reward model → 再训练 $\pi$ ，形成闭环。
论文声称 reward model 持续更新，值可能是非平稳的，因此选用对奖励函数变化较鲁棒的 online RL 的 policy gradient 方法：Atari 用 A2C，MuJoCo 用 TRPO。
发现，这篇文章已经提出了基于 disagreement 的 query selection：对于一个 query $(\sigma_0, \sigma_1)$，让 ensemble 这每个 reward model 给出 $\hat P[\sigma_0 \succ \sigma_1]$ 的值，计算这些值的方差，然后选一个方差最大的 query。
在 trick 方面，文章把 reward model 输出的值归一化到 0 1 之间，并且使用 reward model ensemble 归一化后的 reward 值取平均作为最终 reward。
在实验方面，文章做了 MuJoCo 的机器人和 Atari games，使用 oracle teacher / real human 来打 preference 标签，同时跟使用 ground-truth reward 的 RL 方法比较，将其作为 performance upper bound。实验非常充分。并且，实验证明，使用 prompt 好的 human 来打 preference，可以让 agent 学到新颖的行为，比如 hopper 后空翻。
在未来工作方面，因为是开山之作，这个工作比较初步，可以从以下两个方面改进：
- 样本效率：这个方法收敛太慢了，需要大量 preference label。我们需要要进一步提高 sample efficiency，去研究更高效的查询策略，或半监督 / 自监督预训练，比如 pebble、surf、QPA、stair 等工作。
- 对 human preference 的鲁棒性：实验显示 real human 比 oracle scripted teacher 的样本效率低 40-50%，归因于标注不一致、错误、延迟（3.1 节的最后）。然而，这篇文章缺乏对 noisy label 的应对方式，只是简单丢弃“无法比较”的样本（2.2.2 节的最后一句话），缺乏对人类噪声的显式建模。后续的 B-Pref、RIME 等工作致力于应对 noisy label，而 sepoa、clarify 等工作聚焦于人类噪声的显式建模。
[🍵 PbRL] PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training
上一篇 PrefPPO 提出了 PbRL 的基本框架，而 pebble 则是将这个框架发扬光大的工作。
个人理解，pebble 的核心贡献有三点：
- off-policy RL 框架 + relabelling：首次将 SAC 这类 off-policy RL 算法引入 PbRL，并在每次 reward model 更新后，使用新模型对 replay buffer 中所有历史 transition 的 reward 进行 relabel。这显著提升了训练效率和 policy learning 速度，相较于 PrefPPO 的 on-policy 方法实现了数量级的加速。
- 无监督探索预训练：在引入 reward model 和人类反馈之前，先基于纯探索驱动的预训练 生成有意义的行为片段，供人类进行偏好标注，从而极大提升了 query 的样本效率。具体而言，这个探索的 intrinsic reward 设计为 $r^\text{int}(s_t) = \log(|s_t - s_t^k|)$，将当前状态的 intrinsic reward 定义为与其 k-th nearest neighbor 之间的距离，从而鼓励访问状态熵更小、访问更稀疏的 state。（该思想参考了一篇 21 年的文章，将每个 transition 视作一个 particle 粒子）
- disagreement query selection：在 off-policy 框架上发扬光大了 PrefPPO 的 disagreement query selection 技术，通过 ensemble reward model 的方差来选择信息量最大的 segment pair 进行查询。
介绍：PbRL 的提出动机 → PbRL 的 formulation → pebble 的具体 method → 实验结果。
pebble 提出 1 2 两个新技术的动机：
- 问题一：冷启动困境。传统 PbRL 初始查询质量低，agent 行为随机，人类难判断优劣，导致前期学习进展缓慢。
- 问题二：样本效率 vs 反馈效率的矛盾。on-policy 方法虽能规避奖励非平稳性，但样本效率极低。pebble 证明：off-policy 学习 + relabelling 可以在不增加反馈量的前提下，将样本效率提升 5-10 倍，这对真实机器人学习至关重要，能减少磨损、降低训练时间成本。
pebble 的具体算法如算法 2 所示，第五页顶部。
在实验方面，pebble 的实验主要做了 3 个 MuJoCo task 和 6 个 metaworld task，这些 task 的 action space 都是连续的，因为 SAC 只能做连续 action（不同于 PrefPPO 的 Atari 离散任务）。具体实验结果见图 3-5。
在未来工作方面，pebble 作为 PbRL 的里程碑式工作，对后续 PbRL 工作有深远的影响：
- 范式固化：pebble 几乎把 PbRL 的默认范式确立为 off-policy + relabelling，后续几乎没有 on-policy PbRL 工作了。
- Benchmark 标准化：后续 PbRL 基本都会做 MuJoCo 和 metaworld 任务，pebble 成为了一个必须超越的强 baseline。
- 未来研究方向指引：pebble 的实验结果说明 1. query selection、2. 预训练 是很值得做的。这两个方向均有后续研究，如 QPA、sepoa、clarify、stair 关注 query selection，而 sepoa 关注预训练。
- 遗留问题：pebble 跟 PrefPPO 一样，仍然未处理 noisy label 的问题。
[🍵 PbRL] SURF: Semi-supervised reward learning with data augmentation for feedback-efficient preference-based reinforcement learning
surf 在 pebble 的基础上，聚焦于提升 PbRL 中 feedback efficiency，主要使用了两个半监督学习的技术，对 preference label 进行数据增强：
- 半监督奖励学习（4.1 节）：利用 agent 与环境交互产生的海量未标注数据（存储在 buffer 中的历史经验），通过 pseudo-labeling 技术提炼监督信号。仅采纳置信度 >0.99 的预测，避免噪声标签污染。
- 时序数据增强（4.2 节）：对标注过的 query 做”时间裁剪”。核心假设是：对行为片段做轻微的时间平移 / 裁剪后，人类的偏好判断不变。比如”开门”任务中，只截取伸手到门把手那 3 秒，和展示完整 5 秒开门过程，人类大概率仍偏好成功开门的那段。
在实验结果方面，surf 做了 3 个 MuJoCo 任务和 6 个 metaworld 任务。在同等 feedback 数量下，surf 的性能显著优于 pebble。
在未来工作方面，surf 成为了一个提升 PbRL 性能的 即插即用的模块。同时，surf 说明对 preference label 做数据增强，是有意义的研究方向，后续工作 LiRE 沿着这一思路继续推进。
[🍵 PbRL] Reward uncertainty for exploration in preference-based reinforcement learning (RUNE)
rune 在 pebble 的基础上，为 policy learning 额外引入了一个 SAC reward 之外的 intrinsic reward，以此加速策略学习过程。
（这个故事可以讲的很好听）这篇论文的核心洞察是：人类对某些 state-action pair 的反馈不够多，导致 reward model $\hat r(s,a)$ 在这些区域的不确定性很高。这种不确定性，本身就是有价值的信号 —— 它告诉 agent 应该去这些 “人类还没说清楚” 的区域探索，从而主动收集更有信息量的反馈。
在 method 方面，具体的，$r^\text{total} = \hat r_\text{mean}(s,a) + \text{std}[\hat{ \boldsymbol{r}}(s,a)]$ ，即在 ensemble reward model 的均值基础上，额外加上 reward model 的标准差作为 intrinsic reward。
在实验方面，rune 做了 metaworld 的任务，主要实验结果见图 3 和表 1。
在未来工作方面，rune 跟 pebble 一样，仍未处理 noisy label 问题。然而，noisy label 对 rune 来说是，尤其致命：如果 reward model 在某些 (s,a) 上 uncertainty 很大，并非因为 reward model 对这些行为了解不足，而是人类本身难以判断这些行为的好坏（例如处于人类偏好边界、无法明确区分好坏），那么，即使 agent 充分探索这些行为，其 reward model 的方差也不会降低；同时，agent 也不应该去学习这些模棱两可的行为。后续工作 clarify 在一定程度上直接解决了这个问题，通过 query selection 机制，主动筛选出人类能够清晰判断的 query 供人类标注。
[🍵 PbRL] B-Pref: Benchmarking Preference-Based Reinforcement Learning
B-Pref 是 PbRL 领域最早的 noisy label benchmark。个人认为，B-Pref 的核心贡献在于 提出了以下 noisy scripted teacher 机制：
\(P[σ^i\succ σ^j~;~β,γ]=\frac{\exp\big(β\sum_{t=1}^Hγ^{H-t}r(s^i_t,a^i_t)\big)}
{\exp\big(β\sum_{t=1}^Hγ^{H-t}r(s^i_t,a^i_t)\big) + \exp\big(β\sum_{t=1}^Hγ^{H-t}r(s^j_t,a^j_t)\big)}\)
具体的，这是一个基于 ground truth reward function $r$ 给出 scripted teacher 的 preference label 的概率模型，形式为每个 segment 的（discounted）reward 之和的 softmax。B-Pref 支持以下 noisy teacher 或非理想 teacher：
- Oracle（先知）：β → ∞，指不再以 softmax 形式按概率打 preference，而是直接根据 segment reward 之和的大小，输出一个确定性的 preference。
- Myopic behavior（短视）：计算 segment reward 之和时，让 discounted factor 变小。
- Skipping queries（感觉不可比，跳过）：若两个 segment 的 reward 之和都太小，则认为两个 segment 都没有做到预期行为，一样差，跳过。
- Equally preferable（同样好，(0.5,0.5) ）：若两段 segment 的 reward 之和的差＜一个阈值，则认为性能太接近，比不出来，返回 (0.5,0.5)。
- Making a mistake（犯错，01 翻转）：以概率 ε 将 preference 标签翻转。
（解释，为什么要用 scripted teacher：我们承认 PbRL 的终极目标是服务真实人类，但算法研发阶段必须有一个 1. 可以大规模开展实验、2. 可量化比较结果并复现 的评估体系，所以现有工作大多使用 scripted teacher 完成主实验，再补充一些相对小规模、能负担得起的人类实验。
在未来工作方面，B-Pref 关注的是 PbRL 里的 noisy label 问题，这是一个很有意义的研究方向，启发了后续的 RIME、sepoa、clarify 等工作。同时，B-Pref 对 noise 的建模还比较初步。进一步结合人类的认知特质来做更贴近真实的 noise 建模，并设计出在这些 noise 下更鲁棒的算法，是一个很有意义、能直接推动 PbRL 落地的方向，这正是 sepoa 和 clarify 试图 address 的问题。
[🍵 PbRL] Benchmarks and Algorithms for Offline Preference-Based Reward Learning (OPRL)
这篇文章关注 offline PbRL，我们先来解释这个 setting。
- 首先，在 offline 方面，我们无法访问可交互的 env，只能使用离线数据集。offline 这个 setting 是重要的，因为有些时候 env 难以交互，比如 env 是真实世界 运转太慢 直接操作具有危险性，而我们有大量的历史运行数据，这个 setting 就非常适合建模为 offline RL。
- 其次，在 PbRL 方面，这个 offline dataset 是没有 reward 标注的，我们必须利用已有的 human preference 数据集，或者从 offline dataset 里选一些数据 query human，训一个 PbRL 的 reward model，然后给这些 offline 数据标上 reward。
这篇文章的主要贡献有 4 个：
- 正式提出了 offline PbRL 这个 setting；
- 提出了 OPRL 算法，这是一个 naive 的 offline PbRL 的算法；
- 【重要】在 reward learning 的视角下，评测了 D4RL benchmark 的各个任务，发现对于很多 task，只要给出质量足够高的 offline dataset，使用全 0 或随机 reward，性能也能学得很好；这证明，这些任务不适合用来评测 reward learning 的性能好坏。这部分内容对应 5.1 节。
- 实验验证了提出的 OPRL 方法。
在 method 方面，OPRL 的算法流程见算法 1（第 7 页顶端），首先进行 query selection 和 reward learning 的迭代，然后使用训好的 reward model 标记 offline dataset 的 reward，做经典 offline RL。query selection，OPRL 使用了 pebble 的 disagreement。
在 5.1 节里，这篇文章定义了一个 degradation 指标，用来衡量一个数据集是否适合评价 reward learning 方法。计算方式是 max(GT - max(AVG, ZERO, RANDOM), 0) / (GT - min(AVG, ZERO, RANDOM)，其中 GT AVG ZERO RANDOM 代表使用 ground truth reward function、所有 reward 都赋成 transition 的平均 reward、全 0 reward 和随机 reward。直观上，AVG ZERO RANDOM 代表纯使用 offline 轨迹信息、不使用有效的 reward 信息，policy 能学出来的最好性能，而这个 degradation 要求使用 ground truth reward 学到的 policy 性能，要跟 AVG ZERO RANDOM 拉开差距。表 1 标记出了 degradation 超过 20% 的 task，用来后续评测。
在未来工作方面，
- （其实感觉 offline PbRL 比 online PbRL 的 setting 更复杂，因为这个 setting 下 policy 的性能，不仅由 reward 学的是否好决定，还由 offline dataset 的质量决定；但 offline PbRL 的 setting，本身是重要的。）
- OPRL 仍未关注 noisy label 的问题，这个问题即使在 offline 场景下，也是值得关注的。
- 此外，offline PbRL 中，有一些直接把 reward model 干掉，直接使用 preference 优化 policy 的工作，比如 IPL、DPPO、OPPO 等，（可能是我的幻觉）感觉 online PbRL 很少有这种工作。
[🍵 PbRL] RIME: Robust Preference-based Reinforcement Learning with Noisy Preferences
rime 关注 PbRL 中的 noisy label 问题。主要贡献有两个：
- denoising discriminator：指的是，我们使用一个判别器，判断一下某个样本的 preference 是否打错了（打反了）。核心 method 是对训练 reward model 的 Bradley-Terry model 的交叉熵 loss 取一个阈值 $\ln \rho + \alpha \rho$，其中 $\rho$ 是自适应调整的超参数，α 是可调的超参数。直观来说，我们训神经网络时，忘了一般会先学到 general 的规律，再过拟合噪点数据（此时噪点数据的 loss 值更大）；如果 reward model 已经训的很好了，那么错 label 的交叉熵 loss 值应该更大一些。这个方法是有理论支持的（定理 4.1），下面详细说。
- reward model 的 warm start：（使用 pebble 流程）在从基于探索的预训练 转到基于 preference 的 policy learning 这个过程中，rime 观察到因为 reward model 在学习初期是 undeveloped 的，所以会把我们已经预训练的有一定行为的 policy 学坏，导致这个转变过程的性能下降。rime 提出，可以用探索过程的 intrinsic reward 训一下 reward model，具体的，直接使用 L2 loss 让 reward model 的输出值接近归一化后的 intrinsic reward（公式 9 10）。
在理论方面，我们来详细解释一下定理 4.1。
- 假设我们已经有一个（用干净数据）训好的 reward model，其中交叉熵 loss 以 ρ 为界，即 $\mathcal L^\text{CE}(x)\le\rho$ ；
- 这个式子也可以解读为 $H(P,Q) = H(P) + D_\text{KL}(P|Q) \le \rho$，其中 P 是 ground truth 的 0 1 preference 标签，而 Q 是 reward model 的 preference 概率预测（然后发现 P 是确定性的，熵 H(P) = 0）；
- 则有，样本 x 的预测偏好 $P_\psi(x)$ ，和错 preference $\tilde y(x)=1-y$ 之间的 KL 散度，下限为 $D_{\mathrm{KL}}(\tilde{y}(x)\parallel P_{\psi}(x))\geq-\ln\rho+\frac{\rho}{2}+O(\rho^{2})$ ，定理 4.1 就在证明这个。
在 method 方面，12 页的算法 1 提供了算法伪代码。ρ 是动态、自适应更新的，被赋值为 上一轮可信样本的最大交叉熵 loss。这个可信样本的集合也是动态维护的，第一轮，初始化 ρ ← ∞，认为所有 label 全都可信，后面开始训交叉熵 loss，才得到一个有效的 ρ 值。
在实验方面，rime 主要使用了 B-Pref 的 mistake teacher，即，会随机翻转一些 label。图 1 2 和表 1 2 都是 mistake teacher 的实验结果，而表 3 是 B-Pref 提出的各种非理想 teacher 的实验结果的平均值。
在未来工作方面，rime 研究了 noisy label，但 noisy 的机制仍然太过简单，假设 preference label 随机翻转。进一步结合人类的认知特质来做更贴近真实的 noise 建模，并设计出在这些 noise 下更鲁棒的算法，是一个很有意义、能直接推动 PbRL 落地的方向，这正是 sepoa 和 clarify 试图 address 的问题。
[🍵 PbRL] [🍯 offline] Listwise Reward Estimation for Offline Preference-based Reinforcement Learning (LiRE)
lire 使用构建 RLT（Ranked List of Trajectories）即 segment 的有序列表的形式，对 preference label 进行数据增强。
在 method 方面，lire 的思想是，基于插入排序去维护一个 RLT。目标是得到形式为 $L=[g_1\prec g_2\prec ⋯\prec g_s]$ 的 RLT，其中 $g_i={σ_{i_{1}},\cdots,σ_{i_{k}}}$ 是一组具有相同人类偏好程度的 segment，是 preference label = 0.5 导致的。具体流程是，我们每拿到一个新 segment，就通过插入排序的方式与当前 RLT 中的元素进行比较，找到这个 segment 应插入的位置；直到构建这个 RLT 的 feedback 预算用完。
在 trick 方面，lire 能 work 依赖于魔改 Bradley-Terry model，将概率从指数形式的 φ(x) = exp(x) 改成线性的 φ(x) = x。lire 声称，这样做能更好建模二阶偏好关系，因为指数函数在 segment reward 之和很大的适合，可能会有梯度消失（？），而线性函数能放大高奖励区域的差异，对区分”好”与”极好”至关重要（？）。图 2 empirically 证明了，这种 linear 形式的魔改可以学到更真的 reward model，子图 d 里的点分布更象一条 y=x 下的直线；然而，子图 c 的 reward 学的很差，这似乎意味着，将这种线性魔改应用于 使用 500 / 1000 个反馈的 MR 方法并不 work。
在实验方面，表 2 是主实验结果。
在未来工作方面，
- lire 做这种基于 ranked list 的数据增强，依赖于对 preference 传递性的假设，即如果 A > B, B > C，应该也有 A > C。然而，这种假设在现实生活中不一定成立，比如石头剪刀布，就直接违反了这个假设。目前还没有看到 address 这个问题的工作，可能是有的，但我已经有一段时间没读 PbRL 新文章了。
- lire 关注 offline PbRL，但感觉这个 method 也能应对 online PbRL。
[🍵 PbRL] Query-Policy Misalignment in Preference-Based Reinforcement Learning (QPA)
QPA 关注通过 query selection 加速 policy learning、提升 PbRL 性能。
感觉 QPA 的故事讲的非常好：
- query selection 方面的 gap：先前方法 如 pebble、OPRL 等 普遍认为，在 query selection 方面，query selection 应当选择 “信息量最大（informative）” 的 query，从而让 reward model 获得尽可能多的信息。然而，存在一个反直觉现象：这些 query selection 策略往往只比随机选 query 略好一点，反馈效率提升有限。
- 被忽视的 query-policy misalignment 现象：QPA 发现，选择的看似 informative 的 query，实际上可能跟当前 RL agent 的兴趣不一致，因此对 policy learning 几乎没有帮助，最终导致 feedback-efficiency 低下。这就像在教学生做数学题时，却讲解语文知识，信息再”丰富”也无助于当前学习。
- query-policy misalignment 现象 的直观验证（第 4 节）：图 2 可视化了使用 random、disagreement 和 near on-policy query selection 方法选出来的 query。可以看出，random 和 disagreement 都会选到当前不关心的 query（绿圈圈出），并且看 curve 发现，这两种方法学习效率都不高，不如 near on-policy query selection。这个例子非常直观，curve 也符合 QPA 所声称的实验现象。
- query-policy aligned 的 PbRL 方法：1. Near On-policy Query Selection，仅在 replay buffer 最近收集到的轨迹里采 query，2. Hybrid Experience Replay，SAC 更新 policy 的 transition 一半在 near on-policy buffer 里采，另一半在整个 replay buffer 里采。
在实验方面，QPA 的主实验是图 5 6，显示出 QPA outperform 了一系列强 baseline。（QPA 是加了 surf 的）
在未来工作方面，QPA 揭示了一个直觉：在某些情况下，”局部精准”优于”全局粗糙”，或者说”局部精准”与”全局精准”大致等价，但是”局部精准”性价比更高。后续工作 stair 也沿这一思路推进。
PT 使用 transformer 来建模 reward model，公式可以写成：
\(\begin{aligned}
P[σ^i\succ σ^j] = &
\frac{\exp\big( \text{Transformer}[r(s^i_t,a^i_t)] \big)}
{\exp\big( \text{Transformer}[r(s^i_t,a^i_t)] \big) +
\exp\big( \text{Transformer}[r(s^j_t,a^j_t)] )\big)}
\\
= & \frac{\exp\big( \sum_{i=0}^{H-1} w_t^i \cdot \hat{r}(s^i_t,a^i_t) \big)}
{\exp\big( \sum_{i=0}^{H-1} w_t^i \cdot \hat{r}(s^i_t,a^i_t) \big) +
\exp\big( \sum_{i=0}^{H-1} w_t^j \cdot \hat{r}(s^i_j,a^j_t) )\big)}
\end{aligned}\)
其中 w 可以被理解为，我们给一个 segment 里每个 (s,a) 的关注程度 / 权重；这正好与 transformer 的 qkv 形式对应上：在 value × softmax(key^T query)，weight 正好对上 softmax(key^T query)，而 reward model 对应上 value。
在 motivation 方面，传统强化学习假设奖励函数是马尔可夫、时序独立的，给每个动作即时打分。然而，人类评判行为时不是这样：我们看一段机器人操作视频，注意力会自然被关键转折时刻吸引（比如”差点掉落但成功挽回”比”平稳执行”更印象深刻），且当前判断会受历史上下文影响（同样的动作，发生在”已经失衡”和”稳定状态”下意义完全不同）。
这正是 Preference Transformer 的核心洞见：人类偏好是非马尔可夫的、时序加权的。论文提出用 Transformer 建模这种偏好结构，通过：1. 因果 Transformer 捕捉历史依赖（非马尔可夫奖励），2. 双向注意力层自动学习 重要性权重 softmax(key^T query)，3. 加权求和 建模最终偏好判断。
审稿人也认为这个 motivation 是有道理的，说如果奖励实际上是 non-Markovian 的，那么 Transformer 的想法是有动机的（well motivated）。
在实验方面，表 1 和图 3 是主要实验结果，证明 PT 形式的 reward model 比其他 markov / non-markov 形式的 reward model 性能更好，并且权重能学到一个 segment 里人类关心的帧。
在未来工作方面，将 human preference 建模为非马尔可夫模型，感觉是有意义和有价值的，这个故事是好的。
DT 提出了一种基于 hindsight 思想和 transformer 序列建模思路的新 RL 方法，应用于 offline RL 场景。
故事主线：传统 RL 依赖于动态规划，而 Decision Transformer 提出”序列建模”新范式：用监督学习解决 RL 任务，把控制问题变成”条件文本生成”，用 transformer 预测轨迹的下一 token（action）。
在动机方面，
- DT 没有 bellman 的更新，而是使用监督学习拟合离线数据，因此避免了 Q 高估、bootstrapping 不稳定等的问题；
- DT 使用 hindsight return 作为条件，适用于稀疏 reward，而传统 RL 对于稀疏 reward 因为监督信号太少 所以性能不好；这是有道理 并且很重要的，最早的 hindsight 工作 HER 提出的动机也是解决稀疏 reward 问题。
- DT 使用 transformer，输入包含轨迹的所有历史状态，因此适合非马尔可夫决策，而传统 RL 做不了非马尔可夫决策；
- DT 声称自己因为不学 value function，因此即使在 offline RL 的 setting 下，也不需要一些策略约束或者对 value function 的悲观约束。
在 method 方面，核心 method 见图 1（第一页），核心算法见算法 1（第五页），大概是先给 transformer 塞进去 (s, a, R, s, a, …, s) 的序列（加 positional embedding），然后希望它输出下一 token 的预测内容，即 action。loss function 就是 a 和 a hat 的 L2 loss（连续 action）/ 交叉熵 loss（离散 action）。
R 代表 return 或 reward-to-go，指的是从当前步到整个 episode 结束，还有多少 reward，把这些 reward 求和。这是一种 hindsight 的思想：我们提供关于这个轨迹的其余 / 未来部分，然后训练一个策略，使得它可以满足这些未来要求。
在实验方面，DT 做了 Atari 和 D4RL 的 MuJoCo 任务，主实验见表 1-4，改变 hindsight（reward-to-go）看性能 curve 的实验见图 4。DT 的性能超过或至少持平，CQL 等强 offline RL baseline。
在未来工作方面，
- decision transformer 这种机制，可能只适用于 offline，并不适用于 online RL。（印象里有一篇 online DT 文章，但那个应该做的是 online 微调 DT，而不是纯 online 训练一个 DT。）这大概是因为，Transformer 需要大量数据才能有效训练 并展现出优势，而传统 RL 用函数近似，样本效率更高。
- DT 需要手动设定 hindsight，才能部署策略。在实验中，DT 的 hindsight 被设置为 1× 或 5× 最大回报。因此在某些程度上，部署 DT 策略仍然需要一些先验知识，（不像为最大化 discounted reward 而训的 RL 策略，可以直接部署使用）。不过，一个 conditioned policy 也算是需要先验知识的，因为需要设置 condition z，DT 作为一个 conditioned policy，这一点也可以理解。
- DT 隐含 return 的单调性假设，reward 最好每一步都 ≥ 0。不然，策略看到一个 reward-to-go，会无法判断 是应该继续获取 reward，还是应该先吃一点 penalty 再吃更大量的 reward。因此，在给 DT 用的 offline 数据集标 reward 时，应该做相关 reward shaping，比如直接线性 scale 到 reward 全 ≥ 0。
- 对于无限 horizon，或 offline dataset 里轨迹长度参差不齐的情况，DT 该如何 work？或许，对于数据集里的轨迹，我们可以将其切分 / 填充，保证每个分段的长度为 K，制造一个统一的 horizon。将 DT 部署至无限 horizon 时，我们可以使用长度为 K 的滑动窗口来设计 reward-to-go。另一方面，或许也可以尝试 discounted reward-to-go，但 DT 特地没有加 discount，不知道这样做是否会影响性能。
- 个人感觉，基于 hindsight 这种思想，把 RL 任务变成监督学习，还是激动人心的。下一篇文章 HIM 就是这个思想的延申。
这篇文章是 DT 的扩展。这也应该是我第一次读到这种，将 A 范式扩展成更 generalized 的 A0，并提出属于 A0 范式的 B C 方法的文章。
HIN 的 hindsight 故事：
| 强化学习一个根本痛点是样本效率极低，每个轨迹只能为单一目标提供监督信号。比如，一个机器人踢球轨迹，如果目标是”射进球门”，那么”踢到门柱”这个轨迹就被浪费了。这催生了 hindsight 思想：用未来信息为轨迹重新标注”伪目标”，解决监督信号太稀疏的问题。已有很多基于 hindsight 思想的工作：HER 用未来状态做目标，DT 用 reward-to-go 做条件。HIM 总结：这些方法本质上都在做同一件事 —— 训练一个条件策略 $π(a |
s,z)$，使得策略生成的轨迹的”信息统计量”，与给定的目标 $z$ 匹配。这个统计量可以是： |
- HER 的未来状态 $φ_T$
- DT 的未来轨迹 reward 求和（reward-to-go）
- 模仿学习的完整轨迹 $\tau$
- 甚至可以是一个分布（如 reward 的直方图）
这就是 HIM（hindsight information matching）框架：最小化生成轨迹的统计量 $I^Φ(τ)$ 与目标 z 之间的散度$D(I^Φ(τ), z)$。
具体的，HIM 提出通用架构GDT：基于 Decision Transformer，通过改变两个部件，即可适配任意 HIM 问题：
- 特征函数 Φ(s,a)：决定提取什么信息（奖励 DT 及其分布 CDT、状态维度 HER 及其分布 BDT、自编码特征 BDT）
- 反因果聚合器：决定如何汇总未来信息（求和→DT，分箱→CDT，第二Transformer→BDT）
然后，HIM 提出了两个算法实例化：
- CDT (Categorical DT)：将特征空间离散化，用直方图作为目标，实现首个有效的 offline 多任务 SMM 算法，可以同时学会多种行为 如跑和前空翻，只要给出对应的状态框架分布。
- BDT (Bi-directional DT)：将 $I_\Phi$ 设置为反因果 Transformer，聚合完整状态序列的特征，从而实现高效的 one-shot 模仿学习。
在 method 方面，核心算法见算法 1，在最后一页（28 页）。
在实验方面，HIM 使用 D4RL medium-expert 数据集，按累积奖励对所有轨迹进行排序，将五个最佳轨迹和五个 50% 的轨迹作为测试集（总共 10 个轨迹），并将其余轨迹用作训练集。
在未来工作方面，
- CDT 的 hindsight 信息是状态分布，所以如果（需要考虑的）state space 过大，比如使用 pixel 状态，可能会导致学的不够好。
- HIM 仍然是 offline 工作；HIM 策略的质量被 offline 数据集的质量所限制，不过这是 offline RL 的固有问题。
- 我知道有些 offline RL 算法，能学到比数据集里最好行为 还要好的行为，比如在 medium-replay 数据集上训练，得到性能超过 medium 的 policy，不知道 DT HIM 框架能否做到。不过 HIM 的 6.2.1 节发现，合成目标可诱导新行为，所以说不定是有潜力的。
- 但是 hindsight 思想还是很好的，感觉这个工作做的非常好。下一篇文章 OPPO 就是使用这种 hindsight 框架做 PbRL 的工作。
[🍵 PbRL] [🍯 offline] Beyond Reward: Offline Preference-guided Policy Optimization (OPPO)
在 A+B 场景中应用了 C 方法：A - PbRL、B - offline RL、C - HIM。
先简单介绍 ABC 的 setting，凑时长。
然后介绍 OPPO 的故事，训一个 reward model 是信息瓶颈。
然后声称 OPPO 直接使用了 BDT 类似思想的 HIM 方法，维护了两个 transformer，一个作为 encoder，输入 trajectory 输出 z，另一个作为策略，输入 z 作为 hindsight，输出预测的 action。
然后，说 OPPO 在轨迹的 embedding space 里，设计对比学习 loss，形式为一个三元的 anchor 正样本 负样本 的对比学习，既把 正样本 负样本至少拉开一个 margin，又确保我们的 anchor 离正样本比离负样本总要近一个 margin。
这个方法启发了后续工作 clarify。
[🍯 offline] A Minimalist Approach to Offline Reinforcement Learning (TD3+BC)
直接对着博客讲故事。
[🥑 multi-objective] A Generalized Algorithm for Multi-Objective Reinforcement Learning and Policy Adaptation (EQL)
首先介绍 MORL 的 setting，然后介绍单目标的 value iteration 为何收敛，然后介绍 EQL 理论，最后介绍 trick。
未来工作：可以考虑结合 PbRL，变成 Pb-MORL。
[🍇 exploration] Exploration by Random Network Distillation (RND）
RND 的核心思想是，intrinsic reward = $|\hat f(s;\hat \theta) - f(s; \theta)|_2^2$，并且每次采到 state，都最小化这个均方误差。
RND 有 trick：为 task reward 和基于随机网络的 intrinsic reward 训练两个 value 网络。
（以下为 kimi 的回答）
论文在第 2.3 节专门讨论了这个问题，核心原因有以下几点：
1 内在奖励与外在奖励的本质差异：
- （这一条没看懂）情景性不同：内在奖励采用 non-episodic 设置，即不因为”游戏结束”而截断折扣累积，而外在奖励保持 episodic 设置。这是因为，内在奖励衡量的是未来所有新颖状态的总和，不应因一次失败而重置；而外在奖励若采用非情景设置，智能体会通过故意”送死”来重复获取早期奖励。
- 时间尺度不同：论文实验显示，内在奖励的最佳折扣因子 γ_I = 0.99，而外在奖励需要更大的折扣因子 γ_E = 0.999 才能取得好效果（图5）。不同的折扣因子需要独立的价值估计。
- 平稳性不同：外在奖励函数是平稳的（stationary），而内在奖励随着预测器学习不断衰减，是非平稳的（non-stationary）。分离的价值网络可以为内在奖励提供更稳定的监督信号。
2 数学分解的可行性： 由于回报在奖励上是线性的，总回报可分解为 R = R_E + R_I。因此可以分别训练两个价值头 V_E 和 V_I，再合并为 V = V_E + V_I。这种分解使得不同特性的奖励流可以灵活组合，而不必强行用一个网络拟合混合的回报。
在未来工作方面，RND 可能无法应对 noisy-TV 问题，如果 state 中有大量随机的分量，RND 可能会失效。但感觉 RND 应该适用于连续 state space。
[🍇 exploration] Episodic Novelty Through Temporal Distance (ETD)
直接对着博客讲故事。
[🍄 skill discovery] Do’s and Don’ts: Learning Desirable Skills with Instruction Videos
先讲 skill discovery 的无监督基本思想，互信息，可区分之类。
然后简单讲 metra。
然后说 skill discovery 的问题，引入 GSD。
然后讲 dodont 的故事。
然后说 dodont 基于 metra 的 DSD 框架，魔改距离度量，并通过换元把它放到了 intrinsic reward 里。
基于事件的优化方法简介及其在能源互联网中的应用
面向数据中心绿色可靠运行的强化学习方法
]]>
