日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

継続的強化学習arXiv:2607.24996

較正部分リセット:継続的強化学習における方策崩壊の防止

Calibrated Partial Resets: Preventing Policy Collapse in Continual Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

ニューロンのリセットを部分的かつ有用性に応じて調整することで、継続的強化学習での方策崩壊を防ぎつつ可塑性を維持する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、継続的強化学習(Continual RL)におけるポリシー崩壊(policy collapse)を防ぐための新しい最適化手法、Calibrated Partial Resets (CPR) を提案している。CPRは、ニューロンのユーティリティ(有用性)に基づいて、低ユーティリティのニューロンを初期化状態に向かって部分的に引き戻す。これにより、ニューロンの可塑性(plasticity)を維持しつつ、トレーニングの不安定化や性能低下を引き起こすことなく、継続的な学習を可能にする。

2. 先行研究と比べてどこがすごい?

先行研究では、ニューロンのリセット(完全な再初期化)が可塑性の維持に有効とされてきたが、完全なリセットはピーク性能を犠牲にし、トレーニングを不安定化させてポリシー崩壊を引き起こす可能性がある。また、一様な減衰(uniform decay)は調整が粗く、必要なニューロンに集中できない。CPRは、バイナリ的なリセット(完全リセットか否か)ではなく、ユーティリティに応じて引き戻しの強度を連続的にスケーリングする部分リセットを導入することで、これらの問題を解決している。

3. 技術・手法の肝は?

CPRはオプティマイザとして実装され、定期的に低ユーティリティのニューロンを初期化方向に引き戻す。引き戻しの強度は各ニューロンのユーティリティ(例えば、勾配の累積や活性度など)に比例してスケーリングされる。これにより、不要なニューロンには強く、重要なニューロンには弱く調整が適用され、可塑性の維持と性能の安定性のバランスを取る。

4. どうやって有効だと検証した?

検証は、SlipperyAnt、Continual MetaWorld、Continual MinAtarの各ベンチマークで行われた。SlipperyAntでは、比較手法の中でCPRのみが400Mトレーニングステップにわたってポリシー崩壊を回避した。Continual MetaWorldとContinual MinAtarでは、CPRは先行の減衰ベースおよびリセットベースの手法を上回る性能を示した。さらに、アブレーション研究により、可塑性とピーク性能の間の調整可能なトレードオフが明らかにされた。

5. 議論はある?

議論としては、CPRには可塑性とピーク性能の間にトレードオフがあり、ユーティリティの定義や引き戻しの頻度・強度などのハイパーパラメータ調整が重要であることが挙げられる。また、ユーティリティスケーリングによる再初期化が継続学習の有望な方向性であると結論付けているが、他のタスクやより複雑な環境での汎用性については要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されている先行研究には、ニューロンリセットを用いた手法(例えば、ReDoやreset-based methods)や、減衰ベースの手法(例えば、shrink-and-perturb)が含まれる。また、継続的強化学習の分野では、弾性重み共有(EWC)やProgressive Neural Networksなどの手法も関連するが、要旨では明示されていない。

※ 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: Luc McCutcheon, Evangelos Chatzaroulas, Saber Fallah

分類: cs.LG, cs.AI, cs.RO

原文アブストラクト

Neural networks are hindered by accumulating dormant neurons and loss of expressivity throughout training, particularly in non-stationary data settings, such as continual supervised and reinforcement learning. Recently, neuron resets have been used to maintain gradient flow and restore plasticity. However, full unit reinitialization often sacrifices peak performance and can destabilize training, leading to policy collapse. To preserve plasticity without destabilizing training, we propose Calibrated Partial Resets (CPR), an optimizer that periodically pulls low-utility neurons toward their initialization, with pull strength scaled by each neuron's utility. Unlike binary reset methods, partial resets avoid brittleness; unlike uniform decay, calibrated utility-scaling concentrates adjustment on the units that need it most. Among compared methods, only CPR avoids policy collapse over 400M training steps in SlipperyAnt, and it outperforms prior decay and reset-based methods on Continual MetaWorld and Continual MinAtar benchmarks. Ablations reveal a tunable trade-off between plasticity and peak performance, highlighting utility-scaled reinitialization as a promising direction for continual learning.

  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI