作者 | David Sliver
编译 | Xiaowen
原则#1：评估（Evaluation）推动进步
客观，量化的评估推动了进步：
●评估指标的选择决定了进度的方向
●可以说是项目过程中最重要的单一决策
排行榜驱动的（Leaderboard-driven）研究：
●确保评估指标对应最终目标
●避免主观评估（例如人工检查）
假设驱动的（Hypothesis-driven）研究：
●提出一个假设：
○“Double-Q学习优于Q-learning，因为它减少了向上偏差（upward bias）”
●在广泛的条件下验证假设
●比较相似的现有stat-of-the-art技术
●寻求理解而不是排行榜绩效
原则#2：可伸缩性（Scalability）决定成功
●算法的可伸缩性是其相对于资源的性能梯度
○给定更多资源，性能如何提高？
●资源可以是计算（computation），内存（memory）或数据（data）
●算法的可扩展性最终决定了它的成功与否
○图像
●可伸缩性始终（最终）比起点更重要
●给定无限资源，（最终）优化算法是最佳的
原则#3：通用性（Generality）未来证明算法
●不同的RL环境中，算法的通用性表现不同
●避免过度拟合当前任务
●寻求推广到未知未来环境的算法
●我们无法预测未来，但是：
○未来的任务可能至少与当前任务一样复杂
○当前任务遇到的困难很可能会增加
●结论：针对RL环境进行测试
原则 #4：信任Agent的经验
●经验（观察observations，行动actions，奖励rewards）是RL的数据
○
●相信经验是唯一的知识来源
○总是有诱惑力来利用我们的人文专长（人类数据，功能，启发式，约束，抽象，域操作）
●从经验中学习似乎是不可能的
○接受RL的核心问题很难
○这是人工智能的核心问题
○值得努力
●从长远来看，从经验中学习总能赢得胜利
原则＃5：状态（State）是主观的
●Agents应根据自己的经验构建自己的状态
○
●Agent状态是先前状态和新观察的函数
○
●它是循环神经网络的隐藏状态
●从未根据环境的“真实”状态定义
原则＃6：控制流(Control theStream)
●Agents生活在丰富的感觉运动数据流中
○Observations流入Agent
○Actions流出Agent
●Agent的操作会影响流
●控制功能=>控制流
●控制流=>控制未来
●控制未来=>可以最大化任何奖励
原则＃7：值函数（Value Functions）建模世界
为什么要使用值函数？
●价值功能有效地总结/缓存未来
●将计划减少到恒定时间查找，而不是指数前瞻
●可以独立于其跨度进行计算和学习
学习多种值函数：
●有效地模拟世界的许多方面（控制流）
○包括后续状态变量
●多个时间尺度
避免在原始时间步骤对世界进行建模。
原则＃8：规划（Planning）：从想象的经验中学习
一种有效的规划方法：
●想象一下接下来会发生什么
○模型中状态的样本轨迹
●从想象的经验中学习
○使用我们应用于实际实验的相同RL算法
现在，关注值函数近似值。
原则＃9：授权函数近似器（FunctionApproximator）
●差异化的网络架构是强大的工具，可以促进：
○丰富的状态表示
○不同的记忆
○不同的计划
○分层控制
○...
●将算法复杂性推入网络架构
○降低算法的复杂性（如何更新参数）
○提高架构的表现力（参数的作用）
原则＃10：学会学习（Learn toLearn）
人工智能的历史显示了明确的进展方向：
●第一代：良好的老式人工智能
○手工预测
○什么都不学
●第二代：浅学习
○手工功能
○学习预测
●第3代：深度学习
○手工算法（优化器，目标，架构......）
○端到端地学习功能和预测
●第4代：元学习
○无手工
○端到端学习算法和功能以及预测
原文链接：
http://www.deeplearningindaba.com/uploads/1/0/2/6/102657286/principles_o...
本文转载自： 专知