SeqGAN解读

SeqGAN的概念来自AAAI 2017的SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient一文。

Motivation

如题所示，这篇文章的核心思想是将GAN与强化学习的Policy Gradient算法结合到一起——这也正是D2IA-GAN在处理Generator的优化时使用的技巧。
而该论文的出发点也是意识到了标准的GAN在处理像序列这种离散数据时会遇到的困难，主要体现在两个方面：Generator难以传递梯度更新，Discriminator难以评估非完整序列。
对于前者，作者给出的解决方案对我来说比较熟悉，即把整个GAN看作一个强化学习系统，用Policy Gradient算法更新Generator的参数；对于后者，作者则借鉴了蒙特卡洛树搜索（Monte Carlo tree search，MCTS）的思想，对任意时刻的非完整序列都可以进行评估。

问题定义

根据强化学习的设定，在时刻t，当前的状态s被定义为“已生成的序列”

，记作

，而动作a是接下来要选出的元素

，所以policy模型就是

值得一提的是，这里的policy模型是stochastic，输出的是动作的概率分布；而状态的转移则显然是deterministic，一旦动作确定了，接下来的状态也就确定了。

根据Policy Gradient算法，Generator的优化目标是令从初始状态开始的value（累积的reward期望值）最大化：

其中，

是完整序列的reward，

是action-value函数，是指“在状态s下选择动作a，此后一直遵循着policy做决策，最终得到的value”。所以对于最右边的式子我们可以这样来理解：在初始状态下，对于policy可能选出的每个y，都计算对应的value，把这些value根据policy的概率分布加权求和，就得到了初始状态的value。

action-value函数

接下来的关键是如何定义

因为Discriminator充当了这个强化学习系统的environment，所以Discriminator的输出应当作为reward。但是Discriminator只能对生成的完整序列进行评估，因此目前只能对完整序列状态的value进行定义：

这是远远不够的，必须要对任意状态的value都有定义。

蒙特卡洛树搜索（MCTS）

在评估任意时刻的序列时，我们考虑的其实都是它能带来的long-term reward，就像下围棋或象棋一样，每下一步棋都要以全局为考量。在围棋和象棋的求解算法中，MCTS是一个很重要的组成部分，所以作者想到了将它应用到当前的问题。
从名字得知，这种算法属于一种蒙特卡洛方法（Monte Carlo method）——根据维基百科，也称统计模拟方法，是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。MCTS正是这样一种基于统计模拟的启发式搜索算法，常用于游戏的决策过程。
MCTS可以无限循环，而每一次循环都由以下4个步骤构成：

• Selection：从根节点开始，连续选择子节点向下搜索，直至抵达一个叶节点。子节点的选择方法一般采用UCT（Upper Confidence Bound applied to trees）算法，根据节点的“胜利次数”和“游戏次数”来计算被选中的概率，保持了Exploitation和Exploration的平衡，是保证搜索向最优发展的关键。
• Expansion：在叶节点创建多个子节点。
• Simulation：在创建的子节点中根据roll-out policy选择一个节点进行模拟，又称为playout或者rollout。它和Selection的区别在于：Selection指的是对于搜索树中已有节点的选择，从根节点开始，有历史统计数据作为参考，使用UCT算法选择每次的子节点；Simulation是简单的模拟，从叶节点开始，用自定义的roll-out policy（可以只是简单的随机概率）来选择子节点，且模拟经过的节点并不加入树中。
• Backpropagation：根据Simulation的结果，沿着搜索树的路径向上更新节点的统计信息，包括“胜利次数”和“游戏次数”，用于Selection做决策。

在SeqGAN中，实际上只应用了上述的Simulation过程：对于非完整的序列

，以

（等同于Generator）作为roll-out policy，将剩余的T-t个元素模拟出来，这样就可以利用Discriminator进行评估了。为了减小对value估计的误差，会进行N次模拟，对这N个结果取平均值。
最终得到了完整的action-value函数：

policy gradient计算

Generator目标函数的梯度可以初步推导为：

在此基础上，可以去掉期望项，构造一个无偏估计再继续推导：

源码对loss的实现为：

• 111行：x是一个batch生成的所有序列，原来是一个三维数组，这里进行了reshape并转化为one-hot vector，最终得到一个二维数组，每一行以one-hot的形式代表这些生成序列的每一个元素，行数是batch size*sequence length。

• 113行：最终也是得到一个二维数组，行数与上面相同，每一行代表这些生成序列每个时刻t关于所有候选元素的log概率分布，形如

• 114行：这里的括号对应110行，运算得到这些序列每个元素被选中的log likelihood，即

• 116行：这些生成序列每个时刻的reward。

• 117行：括号对应于109行的结尾，括号内的运算得到了每个时刻的
  ，reduce_sum的意义是，对一个batch中所有序列的所有
  进行总的求和，负号的作用则是把梯度上升问题转化为梯度下降。虽然没有显式地计算期望值，但归因于大量的取样和学习率的存在，最终自动推导出来的梯度是与上述公式相符的。