LLMs基础学习（八）强化学习专题（5）

LLMs基础学习（八）强化学习专题（5）

重要性采样（Importance Sampling）

在强化学习中，重要性采样（Importance Sampling） 是一种通过调整样本权重，修正 “行为策略（Behavior Policy）” 与 “目标策略（Target Policy）” 分布差异的技术，核心解决异策略（Off - Policy）学习的关键问题：如何用行为策略采集的数据，准确估计目标策略的性能。

• 行为策略 $b(a\mid s)$：负责与环境交互、生成动作样本（比如探索性更强的策略 ）。
• 目标策略 $\pi (a\mid s)$：需要被评估或优化的策略（比如更偏向利用的最优策略 ）。

权重计算逻辑

通过概率比率（重要性权重） 调整样本对目标策略的贡献，公式：

• 单步权重：${\rho }_t=\frac{\pi (a_t\mid s_t)}{b(a_t\mid s_t)}$ 衡量 “目标策略选动作 $a_t$ 的概率” 与 “行为策略选 $a_t$ 的概率” 的比值。
• 多步轨迹权重：${\rho }_{0:T}={\prod }_{t=0}^T\frac{\pi (a_t\mid s_t)}{b(a_t\mid s_t)}$ 整条轨迹的权重是各步权重的乘积，体现轨迹对目标策略的整体贡献。

两种实现形式

1. 普通重要性采样（Ordinary IS）

直接用权重加权样本回报，估计目标策略的价值函数 $V^{\pi }(s)$：$V^{\pi }(s)\approx \frac{1}{n}{\sum }_{i=1}^n{\rho }_{0:T}^{(i)}{G}^{(i)}$

• $G^{(i)}$：第 i 条轨迹的累积回报；${\rho }_{0:T}^{(i)}$：第 i 条轨迹的多步权重。

2. 加权重要性采样（Weighted IS）

引入权重归一化，避免极端权重主导估计：$V^{\pi }(s)\approx \frac{{\sum }_{i=1}^n{\rho }_{0:T}^{(i)}{G}^{(i)}}{{\sum }_{i=1}^n{\rho }_{0:T}^{(i)}}$

使用注意事项

1. 核心风险：分布差异导致高方差

• 数学本质：期望转换依赖分布相似度，公式：${\mathbb{E}}_{x\sim \pi }[f(x)]={\mathbb{E}}_{x\sim b}\left[f(x)\frac{\pi (x)}{b(x)}\right]$
• 问题：若 $\pi$ 与 b 分布差异大，即使采样足够，方差会急剧增大（极端权重让估计不稳定 ）。

2. 解决方案

• 加权重要性采样：通过归一化降低极端权重影响，缓解方差问题。
• 截断权重：限制权重最大值（如 PPO 算法的剪切机制 ），避免单个样本主导。
• 限制轨迹长度：减少多步权重的乘积效应（长轨迹易因步数多放大分布差异 ）。

一句话理解：重要性采样让 “探索的策略（行为策略）” 采集的数据，能为 “优化的策略（目标策略）” 服务，但得小心分布差异导致的方差问题，用加权、截断等技巧兜底～

PPO 与 TRPO

强化学习中，异策略（Off - Policy）学习 需用 “行为策略（采集数据）” 优化 “目标策略（性能更好的策略）”，但两者分布差异过大会导致重要性采样方差爆炸。PPO 与 TRPO 正是为解决这一问题而生。

PPO 算法（Proximal Policy Optimization）

1. 提出与目标

• 由 OpenAI 2017 提出，核心解决传统策略梯度因更新步长不当导致的训练不稳定问题。
• 目标：限制新、旧策略的差异，平衡 “探索” 与 “利用”，让重要性采样更稳定。

2. 核心思想

通过限制策略更新幅度，确保新策略 $\theta$ 与旧策略 ${\theta }^{\prime }$ 差异不大，避免重要性采样因分布差异大而失效。

3. 数学表达与关键机制

目标函数包含两部分：$J_{\text{PPO}}^{\theta }(\theta )=J^{{\theta }^{\prime }}(\theta )-\beta \text{KL}(\theta ,{\theta }^{\prime })$

• $J^{{\theta }^{\prime }}(\theta )$：基于重要性采样的策略梯度目标（用旧策略 ${\theta }^{\prime }$ 采集的数据优化新策略 $\theta$ ）。$J^{{\theta }^{\prime }}(\theta )={\mathbb{E}}_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}\left[\frac{p_{\theta }(a_t\mid s_t)}{p_{{\theta }^{\prime }}(a_t\mid s_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)\right]$ （$A^{{\theta }^{\prime }}(s_t,a_t)$ 是优势函数，衡量动作价值 ）
• $\beta \text{KL}(\theta ,{\theta }^{\prime })$：KL 散度约束，惩罚新、旧策略的差异，确保更新幅度可控。

4. 算法特性

• 同策略本质：虽用重要性采样，但仅依赖 “上一轮策略 ${\theta }^{\prime }$” 的数据，新、旧策略差异小，可近似视为同策略。
• 易用性：将 KL 散度直接融入目标函数，用梯度上升即可优化，实现简单（对比 TRPO ）。

TRPO 算法（Trust Region Policy Optimization）

1. 定位与目标

• 是 PPO 的前身，核心解决 “策略更新的单调性” 问题（保证策略性能单调提升 ）。
• 目标：通过信任区域约束，限制策略更新步长，避免因分布差异导致性能下降。

2. 核心思想

将新策略 $\theta$ 与旧策略 ${\theta }^{\prime }$ 的 KL 散度作为额外约束（而非融入目标函数 ），要求 $\text{KL}(\theta ,{\theta }^{\prime })<\delta$（$\delta$ 是信任区域半径 ）。

3. 数学表达与痛点

目标函数：$J_{\text{TRPO}}^{{\theta }^{\prime }}(\theta )={\mathbb{E}}_{(s_t,a_t)\sim {\pi }_{{\theta }^{\prime }}}\left[\frac{p_{\theta }(a_t\mid s_t)}{p_{{\theta }^{\prime }}(a_t\mid s_t)}{A}^{{\theta }^{\prime }}(s_t,a_t)\right],\text{KL}(\theta ,{\theta }^{\prime })<\delta$

• 痛点：约束是 “额外条件”，无法直接用梯度上升优化，需复杂的二阶优化（如共轭梯度 ），实现难度高、计算成本大。

PPO 与 TRPO 的关系

1. 核心联系

• 两者均为解决异策略学习中 “策略分布差异导致的高方差” ，目标是稳定策略更新、提升样本效率。
• PPO 是 TRPO 的简化与优化，继承 “限制策略差异” 的核心思想，改进实现方式。

2. 关键区别

3. 实际应用选择

工程中优先选 PPO ：实现简单、训练稳定，在 Atari 游戏、机器人控制等场景表现优异；TRPO 仅用于理论研究或对 “单调提升” 有强需求的极端场景。

一句话概括：TRPO 开了 “限制策略差异” 的脑洞，PPO 把这个脑洞做成了 “人人能用” 的工具，让强化学习落地更简单～