日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

選好ベース強化学習arXiv:2601.18751

信頼・不信・反転:複数専門家フィードバックによる頑健な選好ベース強化学習

Trust, Don't Trust, or Flip: Robust Preference-Based Reinforcement Learning with Multi-Expert Feedback

シェア:XThreadsFacebookLINEはてブBluesky

複数のアノテータからの選好フィードバックを統合し、各専門家の信頼度を学習して敵対的フィードバックを自動的に反転・活用する選好ベース強化学習フレームワークを提案。

詳しい要約

1. どんなもの?

- 複数のアノテータから得られる選好フィードバックを用いた強化学習(PBRL)の枠組み。 - アノテータの信頼性が異なる状況(正確・ノイズ・敵対的)に対処する。 - 共有報酬モデルと専門家ごとの信頼パラメータを同時に学習する TriTrust-PBRL (TTP) を提案。 - 信頼パラメータが正(信頼)、ゼロ近傍(無視)、負(反転)に自然に進化し、敵対的選好を反転して有用な信号を回復する。

2. 先行研究と比べてどこがすごい?

- 既存の PBRL は全フィードバックを等しく扱うか、信頼できないソースをフィルタリングするが、敵対的アノテータには失敗する。 - TTP は信頼パラメータを学習し、敵対的選好を単に捨てるのではなく反転して活用できる。 - 敵対的腐敗下でも near-oracle 性能を維持し、標準 PBRL が壊滅的に失敗するのに対し、最先端の堅牢性を達成。 - 信頼できるアノテータと敵対的アノテータが混在するプールからも学習可能。

3. 技術・手法の肝は?

- 共有報酬モデルと専門家固有の信頼パラメータを勾配ベース最適化で同時学習。 - 信頼パラメータは正・ゼロ近傍・負に自然に進化し、明示的な監督なしに専門家分離が生じる。 - 理論解析により識別可能性保証と勾配解析を提供。 - 専門家の特徴は識別インデックスのみを必要とし、既存 PBRL パイプラインに統合可能。

4. どうやって有効だと検証した?

- MetaWorld の manipulation タスクと DM Control の locomotion を含む4つの多様な領域で評価。 - 様々な腐敗シナリオ下で実験。 - 敵対的腐敗下で near-oracle 性能を維持し、標準 PBRL が壊滅的に失敗することを示す。 - 信頼できるアノテータと敵対的アノテータが混在するプールから学習できることを実証。

5. 議論はある?

- 理論解析により識別可能性保証と勾配解析を提供し、専門家分離が自然に生じることを説明。 - 専門家の特徴は識別インデックスのみで済み、既存 PBRL パイプラインにシームレスに統合可能。 - 要旨からは、限界や失敗ケース、計算コスト、スケーラビリティに関する議論は不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:既存の PBRL 手法(全フィードバックを等しく扱うもの、信頼できないソースをフィルタリングするもの)。 - 関連手法:Preference-based reinforcement learning (PBRL)、MetaWorld、DM Control。 - 同分野の定番:Christianos et al. の robust PBRL、Lee et al. の PEBBLE、Bıyık et al. の preference-based RL などが考えられるが、要旨に明示的な参照はない。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Seyed Amir Hosseini, Maryam Abdolali, Amirhosein Tavakkoli, Fardin Ayar, Ehsan Javanmardi, Manabu Tsukada, Mahdi Javanmardi

分類: cs.LG, cs.AI

原文アブストラクト

Preference-based reinforcement learning (PBRL) offers a promising alternative to explicit reward engineering by learning from pairwise trajectory comparisons. However, real-world preference data often comes from heterogeneous annotators with varying reliability; some accurate, some noisy, and some systematically adversarial. Existing PBRL methods either treat all feedback equally or attempt to filter out unreliable sources, but both approaches fail when faced with adversarial annotators who systematically provide incorrect preferences. We introduce TriTrust-PBRL (TTP), a unified framework that jointly learns a shared reward model and expert-specific trust parameters from multi-expert preference feedback. The key insight is that trust parameters naturally evolve during gradient-based optimization to be positive (trust), near zero (ignore), or negative (flip), enabling the model to automatically invert adversarial preferences and recover useful signal rather than merely discarding corrupted feedback. We provide theoretical analysis establishing identifiability guarantees and detailed gradient analysis that explains how expert separation emerges naturally during training without explicit supervision. Empirically, we evaluate TTP on four diverse domains spanning manipulation tasks (MetaWorld) and locomotion (DM Control) under various corruption scenarios. TTP achieves state-of-the-art robustness, maintaining near-oracle performance under adversarial corruption while standard PBRL methods fail catastrophically. Notably, TTP outperforms existing baselines by successfully learning from mixed expert pools containing both reliable and adversarial annotators, all while requiring no expert features beyond identification indices and integrating seamlessly with existing PBRL pipelines.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI