SARSA法

SARSA法（State–Action–Reward–State–Action）はマルコフ決定過程でのポリシーを学習するためのアルゴリズムであり、機械学習のサブカテゴリーである強化学習の分野で使われる。RummeryとNiranjanのテクニカルノート^[1]の中で、「Modified Connectionist Q-Learning(MCQ-L, 修正コネクショニストQ学習)」という名前で提案された。リチャード・サットンにより提案された、「SARSA」という名前は、脚注で言及されるに留まった。

このネーミングは、行動価値関数Qの更新アルゴリズムが、現在の状況 $S_{1}$ 、現在の行動 $A_{1}$ 、行動による報酬 $R_{2}$ 、次の状態 $S_{2}$ 、その状態で選ぶ行動 $A_{2}$ の5つ組で決まることに由来する。一般化すると、 $(S_{t},A_{t},R_{t+1},S_{t+1},A_{t+1})$ である^[2]。なお、 $R_{t+1}$ は報酬の定義によっては、 $R_{t}$ とも書かれるが、リチャード・サットンの『強化学習（第2版）』の表記法に合わせた^[3]。

アルゴリズム[編集]

状態 $S_{t}$ のエージェントが行動 $A_{t}$ を選び、報酬 $R_{t+1}$ を得て、状態が $S_{t+1}$ に遷移し、その次の行動が $A_{t+1}$ だとする。このとき行動価値関数 $Q(S_{t},A_{t})$ を次の式で更新する。 $Q(S_{t},A_{t})$ は $R_{t+1}+\gamma \,Q(S_{t+1},A_{t+1})$ に近づくように学習される。

Q(S_{t},A_{t})\leftarrow (1-\alpha )Q(S_{t},A_{t})+\alpha \left[R_{t+1}+\gamma \,Q(S_{t+1},A_{t+1})\right]

SARSAでは、エージェントは環境と相互作用し、行われた行動ベースでポリシーを更新する。そのため、オンポリシー型の学習アルゴリズムである。

学習率 $0<\alpha <1$ は、古い情報を、新しく獲得した情報によってどの程度上書きするかを決定する。0にすれば、エージェントは何も学ばないし、1にすれば、最近の情報だけを近視眼的に考慮するようになる。

割引率 $0<\gamma <1$ は、将来の報酬の重要度を決定する。0にすれば、エージェントは日和見主義的、近視眼的^[4]になる。要するに、現在の報酬だけを考慮するようになる。1に近づければ、長期的視野で高い報酬を求めるようになる。1にしたり、1を超えたりすると、Q値は発散してしまう可能性がある。

出典[編集]

[1] Online Q-Learning using Connectionist Systems" by Rummery & Niranjan (1994)

[2] Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto (chapter 6.4)

[3] Richard S. Sutton; Andrew G. Barto (2018). Reinforcement Learning, second edition: An Introduction. Bradford Books. ISBN 978-0262039246

[4] ttps://www.lesswrong.com/posts/GqxuDtZvfgL2bEQ5v/arguments-against-myopic-training (Retrieved 2021-09-29)

[1]

[2]

[3]

[4]

アルゴリズム[編集]

関連項目[編集]

出典[編集]