Qベース変分逆強化学習

人間の好みに沿ったAIシステムの開発のため、専門家の行動から報酬関数を推定する逆強化学習（IRL）の新たなベイズ手法「Q-based Variational IRL (QVIRL)」を提案。報酬に関する事後分布を回復し、より安全で有益なAIの実現を目指す。

• 人間のような報酬関数を専門家の行動から推定する逆強化学習（IRL）のための新しいベイジアン手法「QVIRL」を提案。
• Q値の変分分布を学習することで、報酬関数の事後分布を効率的に回復。
• スケーラビリティと不確実性定量化を両立させ、安全性クリティカルな応用や能動学習に適している。
• ピクセル生データからの学習を初めて実現し、グリッドワールド、Lunar Lander、ATARIゲームなどで高い性能を示した。