日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

多目的強化学習arXiv:2607.29559

LEMUR: 嗜好フィードバックを用いた多目的強化学習によるアライメント学習

LEMUR: Learning to Align with Multi-Objective Reinforcement Learning from Preference Feedback

シェア:XThreadsFacebookLINEはてブBluesky

複数の競合する目的を持つタスクにおいて、複数の人間の嗜好フィードバックから報酬モデルと方策を同時に学習する新しいフレームワークを提案し、ベンチマークタスクで優れた性能を示した。

詳しい要約

1. どんなもの?

LEMURは、複数の人間の選好フィードバックからエージェントが対話的に学習し、複数の目的を最適化する方策を獲得するためのフレームワークである。従来のMulti-Objective RL (MORL)は各目的に対して明確な報酬関数を仮定するが、LEMURは報酬関数を事前に定義せず、人間の選好から目的ごとの報酬モデルを学習する。これにより、報酬関数が不明瞭な実世界の多目的意思決定タスクを扱う。

2. 先行研究と比べてどこがすごい?

先行研究のMORLはベクトル報酬を扱うが、各目的の報酬関数が既知であることを前提とし、単一目的のRLと同様に報酬設計の問題を抱える。一方、Preference-based RL (PbRL)は報酬関数なしで人間のフィードバックから学習できるが、単一目的設定に限られていた。LEMURはこれらを橋渡しし、複数目的の設定で報酬関数を必要とせず、複数の人間の選好を活用する点が新しい。

3. 技術・手法の肝は?

LEMURは、複数の目的固有の報酬モデルと方策を同時に学習する。具体的には、複数の人間からの選好フィードバックを用いて、各目的に対応する報酬モデルを推定し、それらを統合して多目的方策を最適化する。選好フィードバックは目的ごとに収集され、報酬モデルの学習に利用される。方策の学習にはMORLの手法を応用し、複数の報酬モデルに基づいてトレードオフを考慮した更新を行う。

4. どうやって有効だと検証した?

LEMURは、複数のベンチマーク多目的タスクで評価された。ベースライン手法と比較して、優れた性能を示したことが実証されている。具体的なタスクや比較手法の詳細は要旨からは不明だが、実験結果はLEMURの有効性を支持している。

5. 議論はある?

要旨からは、LEMURの限界や議論点は明示されていない。ただし、複数の人間の選好を扱う際の選好の不一致や、報酬モデルの学習におけるサンプル効率などが潜在的な課題として考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、Multi-Objective RL (MORL)とPreference-based RL (PbRL)の基礎論文が挙げられる。具体的には、MORLの代表的な手法やPbRLの代表的な手法(例えば、Preference-based RLの初期の研究)を読むことが推奨される。

※ 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: Manith Adikari, Bei Peng, Samuele Vinanzi, Angelo Cangelosi

分類: cs.AI, cs.RO

原文アブストラクト

Reinforcement Learning (RL) systems are typically trained using a single, well-specified scalar reward function. However, real-world decision-making tasks often involve multiple, competing objectives, such as performance versus efficiency, where ground-truth reward functions are difficult to specify or inaccessible. While Multi-Objective RL (MORL) addresses such trade-offs by modeling rewards as vectors, existing approaches typically assume access to a well-specified reward function for each objective, inheriting the same challenges faced by single-objective RL. Meanwhile, Preference-based RL (PbRL) has shown great potential in solving complex tasks without access to a pre-defined reward function through reward learning from human feedback, yet has largely been studied in single-objective settings. In this work, we bridge this gap with LEMUR: Learning to Align with Multi-Objective Reinforcement Learning with Preference feedback, a novel framework where an agent interactively learns from the preferences of multiple humans to learn optimal multi-objective policies. Our approach jointly learns policies and multiple objective-specific reward models from human feedback, enabling agents to effectively balance competing objectives during learning. We evaluate LEMUR on a variety of benchmark multi-objective tasks, and empirical results demonstrate its superior performance over baseline methods. Our method presents a promising direction for solving multi-objective decision-making tasks without pre-defined reward functions.

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

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