论文题目：Successor Features for Transfer in Reinforcement Learning
论文链接：http://papers.nips.cc/paper/6994-successor-features-for-transfer-in-reinforcement-learning.pdf
论文出处：NeurIPS 2017
摘要：这里的transfer in reinforcement learning指的是RL算法不是仅在某个具体任务中学习最优策略（传统强化学习），而是在不同任务之间通过transfer来学习的更一般的算法。本文提出的迁移学习框架，主要针对reward函数不同，但是环境的动力学模型保持不变的情况。所提出的方法基于两个key ideas：1）successor features （SFs）：一种将环境的模型从reward中分离出来的值函数表征；2）generalized policy improvement （GPI）：一种考虑一组策略，而不是单个策略的GPI（传统GPI的扩展）。将这两种想法放在一起，可以实现任务之间自由的信息交换（任务迁移）。
论文主要思路：
本文所期望的迁移方法需要具备两个性质：1）任务之间的信息流不应由反映任务本身之间的关系（例如层次或时间依赖性）的刚性图来规定。 相反，只要有用，就应该跨任务交换信息。 2）迁移应该尽可能地整合到RL框架中，而不是以单独的问题摆出，最好采用对智能体几乎透明的方式。
本文的创新基于两点：第一，将successor representation方法扩展，提出successor features来描述值函数；第二，将传统针对单个策略的GPI扩展成多个策略的GPI。
Successor Features (SFs)的定义及其学习：
传统的强化学习，通过一个特定的reward函数来指定一个具体的任务，即。这里，作者假设reward函数可以表示成
, (1)
其中，是关于的特征，时刻下该值记为，是权重。
有了式（1），策略的Q函数可以表示为
. (2)
（2）式中的就是策略下状态-动作二元组的successor features（如下图所示）。因此，Q函数的学习，包含了对和的学习。
的学习，和reward有关。根据（1）式，如果有了，那么的学习就是普通的监督式学习，。当然，也可以通过监督学习的方式学习。
关于的学习，需要利用（2）式的贝尔曼方程形式，即
. (3)
通过SFs实现迁移学习：
作者假设在环境的动力学模型不变的情况下，是不变的。因此，根据（1）式，不同的就描述了不同的任务，或者不同的MDP。作者将表示下的所有任务定义为一个MDP集合：
. (4)
这种情况下，假设source domain包括个任务，即，分别对应个不同的，即，和个最优策略。一旦给定，或者学出来了，则新任务的学习只需要研究和之间的关系就行了。
为此，作者提出了两个定理：
------------------------------------------------------------------------------------------------------------
定理1.（GPI）假设为个不同的策略，并且是它们动作值函数的近似，满足
(5)
定义新的策略为
(6)
则 (7)
------------------------------------------------------------------------------------------------------------
这里的GPI是传统强化学习GPI的一种推广，它针对多个任务的策略，对当前任务的策略进行提升。定理1表明，策略（6）不会表现得比中的任何一个策略差。如果，策略（6）将会严格比其它个策略表现得更好。
------------------------------------------------------------------------------------------------------------
定理2. 令，并且为策略在中执行时的动作值函数，其中为下的最优策略。给定一组近似动作值函数的集合，使其满足
(8)
令 ，并且，其中是由内积诱导的范数。则
. (9)
------------------------------------------------------------------------------------------------------------
定理2给出了从现有模型中进行迁移学习的误差上界。如果智能体之前学习过类似的任务，即和比较接近，则任务迁移就会比较成功。如果之前没有学习过，那就看前面学过的个任务里，哪个距离比较近了。
以上就是本文算法的核心部分了。在我看来，该算法最值得借鉴的地方就是将reward函数分解成两部分，一部分是状态转移数据的特征，是通用的；一部分是描述任务的权重，和任务有关。这样做，就把一族任务用特征函数来表示了，而任务族内部各任务，则由权重向量来表示。
但是这里的如何设计，如何学习，哪些任务不在以内，作者似乎并没有讲清楚。此外，作者考虑的是离散动作，有限状态的迁移强化学习。该算法在设计上，需要对所有的动作遍历。
关于SFs的迁移强化学习算法今天先介绍到这里，后续针对该算法还会有更详细的补充。
已将所有内容移至知乎个人主页：https://www.zhihu.com/people/wenzhang-liu，以后有新的内容也都在知乎上发布，欢迎关注！