[DL輪読会] マルチエージェント強化学習と心の理論

1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
マルチエージェント強化学習と心の理論
9/17 今井翔太（松尾研究室）
えるエル@ImAI_Eruel

書誌情報
マルチエージェント強化学習で「心の理論」と関連する（と主張する）研究の一部を、以
下の論文を中心に紹介
1. The Hanabi Challenge: A New Frontier for AI Research
- 著者：Nolan Bard, , Jakob N. Foerster et al.
- arXiv:1902.00506
2. Bayesian Action Decoder for Deep Multi-Agent Reinforcement Learning
- 著者：Jakob N. Foerster, H. Francis Song et al.
- ICML2019
3. Simplified Action Decoder for Deep Multi-Agent Reinforcement Learning
- 著者：Hengyuan Hu, Jakob N Foerster
- ICLR2020
Shota Imai | The University of Tokyo
2

研究概要
 一般人に通じるような表現で大雑把にいうと「AIの心を読むAI」の研究
 環境内に複数のエージェントが存在するマルチエージェントの設定では、協調・競争時
に自分以外のエージェントの意図を読むことができれば、協調の成功確率、相手に対す
る勝率に良い影響を与えられると考えられる
 マルチエージェント強化学習においては、認知科学の「心の理論」の考え方をベースに、
自分以外のエージェントの意図を推定する手法について、いくつかの方向で定式化
3

マルチエージェント強化学習
（MARL; Multi-Agent Reinforcement Learning）
 マルチエージェント分野の研究分野全体はマルチエージェントシステム（MAS）ともよ
ばれる
 MASの中でもエージェントの「学習（機械学習）」に興味があるものはマルチエージェ
ント学習と呼ばれる分野
 マルチエージェント強化学習はマルチエージェント学習の中でもエージェントの学習ア
ルゴリズムとして強化学習を使っている手法
 端的に言うと、環境中に学習するエージェントが複数いる環境における強化学習
- 囲碁や将棋などのボードゲームもMARLの一部
- 最近の例ではStarCraftのAlphaStarが有名で、
多人数の対戦ゲームはMARLのアプローチで解くやり方が主流
- その他、マルチロボット、自動運転への応用
- なお、エージェントして人間を含んでも良い
近年、深層強化学習の処理能力を活かしたマルチエージェント深層強化学習として、研究
が盛ん
4

マルチエージェント深層強化学習
 深層強化学習によって、あるタスクで高い性能を発揮する（報酬を最大化する）エー
ジェントの方策を獲得することが目標
 環境内の複数エージェントが同時に強化学習を行なっている設定
 特に、実機を用いた難しい協調タスクへの応用が期待され、現在は計算機上での比較的
難しいタスクをベンチマークとしてアルゴリズムの研究が進む
 有名な手法
- MADDPG (Multi-Agent Deep Deterministic Policy Gradients)
- COMA (Counterfactual Multi-Agent Policy Gradients)
- VDN (Value-Decomposition Networks)
- QMIX
- AlphaStar
5
マルチエージェント深層強化学習に関する記号の定義
• 環境の状態：𝑠 ∈ 𝑆
• 行動：各エージェント𝑎 ∈ 𝐴 ≡ {1, … , 𝑛}の行動ua
∈ 𝑈
• 共同行動（joint action）：𝒖 ∈ 𝑈 ≡ 𝑈𝑛
• 状態遷移関数：𝑃(𝑠′|𝑠, 𝑢): 𝑆 × 𝑈 × 𝑆 → [0,1]
• 部分観測関数：𝑂(𝑠, 𝑎): 𝑆 × 𝐴 → 𝑧
• 報酬関数：𝑟(𝑠, 𝑢): 𝑆 × 𝑈 → 𝑅

マルチエージェント強化学習の問題設定の分類
 中央集権型学習-中央集権型実行 (AlphaStar等)
- 環境内にエージェントは複数いるが、各エージェントの方策を
出力するモデルは単一で、モデルへの入力も、各エージェント
の観測をまとめて受け取る設定
- 方策モデルの処理能力に左右され、個別エージェントの観測の
情報の共有が無制限という仮定が必要
 分散型学習-分散型実行（IQL, その他古典的手法）
- 一番難しい設定で、全てのエージェントが学習/テスト時ともに
個別の観測を受け取って学習・行動する
- 深層学習以前のマルチエージェント強化学習や、DQN登場直後
の問題設定はこれ
- IQL (Independent Q-Learners)としてまとめられることも
 中央集権型学習-分散型実行（MADDPG, COMA等）
- 現在のMARLの主流設定（後述）
- 学習時に追加の中央情報を使うが、
テスト時は分散的
6
⽅策モデル：
� � � )
⽅策モデル：
� � � )
⽅策モデル：
� � � )
⽅策モデル：
� � � )
⽅策モデル：
� � � )
⽅策モデル：
� � � )
学習時テスト時
⽅策モデル：
� � � )
⽅策モデル：
� � � )
⽅策モデル：
� � � )
中央学習器：
Q(� | � )等
損失計算
勾配
⼊⼒

中央集権型学習分散型実行
CTDE; Centralized Learning Distributed Execution
 現在のMARLの最重要概念（だが、今回の発表の本質ではない）
 中央集権型学習：学習時のみ，勾配を計算する時に全体のエージェントの情報を含む環
境の「中央の状態」を使う
（e.g, 各エージェントの方策パラメータの勾配計算に部分観測に加え真の状態sを使う）
 分散型実行：テスト時には，各エージェントは自身の部分観測のみを入力として方策を
実行
 COMA[Foerster+ 2017]以降，特に用いられるアプローチで，
“in many cases, learning can take place in a simulator or a laboratory in which extra
state information is available and agents can communicate freely”[Foerster+ 2016]
つまり，「マルチエージェントの学習は，研究的な環境でシミュレータ等を使えるため，
学習を促進するために追加の状態の情報を使ってもよい」という仮定によるアプローチ
 本来エージェントが動作するテスト環境（Execution時）は，基本的に各エージェントが
個別の観測だけを受け取って強調しているため，状態の追加情報は使えない
 今回紹介する手法も学習時にはCTDEの設定で学習している前提で、一部の手法はCTDE
の仮定をフル活用している
7

マルチエージェント強化学習の課題
 学習時の非定常性
- 自分以外のエージェントも方策を学習するので、普通に方策を更新しても最適方策への収束が
見込めない（他のエージェントの学習によって環境の挙動が変化）
 不完全情報性
- 自分以外のエージェントに関して見えない情報が多く、エージェントが利用できる観測だけで
は行動決定に必要な情報が不足
 学習時にセットになっていないエージェントとのテスト時の協調
- 学習の際に一緒に学習した他者エージェントに過学習し、テスト時に別の環境で学習したエー
ジェントとの協調がうまくいかない（ゼロショット協調問題）
→学習時 or テスト時の推論で、自分以外のエージェントの意図を読むことができれば、こ
の辺の問題を軽減できる
8

他のエージェントの意図を「読む」手法の研究
 他者モデリング（Opponent Modeling）
- 学習時の非定常性を解決するために使用されるのが主
- 自分以外のエージェントの方策𝜋𝑜𝑡ℎ𝑒𝑟をモデリングし、方策そのも
のや特徴抽出したものを自分の方策モデル𝜋𝑠𝑒𝑙𝑓の入力とすること
で、非定常性を緩和
 心の理論（Theory of Mind）
- 不完全情報ゲームなどで、自分以外のエージェントの行動を観測
として使用することで、エージェント𝑎に関する信念𝐵𝑎非公開情報
𝑓𝑎などの追加的な情報を推論する手法
- ベイズ推論を利用することが多い
- 「Theory of Mind」を称する研究は大量にあるので、上記はMARL
界隈の代表的なもの
9

心の理論
 1978年霊長類学者David Premackが「チンパンジーは心の理論を持つか」という論文で
提唱した概念で、自分以外の他者の意図を適切に推測する能力
- 高度な知能を持ち、集団生活をするチンパンジーは他の仲間の心の状態を推測できるかもしれ
ないと考え、他者の目的、意図などが適切に推測できれば「心の理論を持つ」とした
- 「理論」という表現は、心の状態は直接見る（魔法!）ことができず、何らかの基礎的な法則、
経験則から物理法則のように推論に基づいて構成されることから
 1983年のWimmer&Pernerは誤信念課題（後述）を用いて、人間の子供が、4~7歳にかけ
て心の理論を持つようになることを示した
 最近、機械学習、特に複数エージェントが存在するマルチエージェント強化学習の分野
でこの概念と絡めた研究が複数発表されている
10

誤信念課題
 通称「サリーとアン課題」と呼ばれる、
被験者に以下の展開を見せる
1. サリーがカゴにボールを入れる
2. サリーが部屋を去る
3. アンがサリーがいない間にカゴから箱の中にボールを移動させる
4. アンが帰ってくる
被験者に対し「このときアンはボールがどこにあると思っているか」
を問う
 アンが「カゴの中にボールがある」という誤った信念を持っている
ことを、被験者自身の知識と切り離して、アンの心を推論して
答える必要がある
 4歳〜7歳にかけて正答率が向上
11
出典：https://en.wikipedia.org/wiki/File:Sally-Anne_test.jpg

機械学習の世界における心の理論
 定義は完全に混沌としている
 強化学習のみならず、自然言語処理、画像認識など様々な場面で手法を「心の理論」と関連
づけた例が多数
 マルチエージェント強化学習だけで見ても、非常に多様な手法に分類可能
 自分以外のエージェントに関する、
- 方策
- 次の行動
- 以前の行動の意味
- RNN、LSTMなどの内部状態
- 相手の信念
- 不完全情報で隠されている特徴
を推論し、他のエージェントとの協調・競争に役立てる手法で、
学習時のみに興味がある→Opponent Modeling
テスト時にも興味あり→Theory of Mind
 かなり適当に人間の知能と結び付けて、論文の貢献のアピールに使われているっぽい例があ
るので、知能論と関連づけて考えすぎるのはNG
12

余談 /「心の理論」を安易に使って燃えた例
13

心の理論を適用する場合の問題点（人間の思考例）
 お互いに「相手の意図を読む」機能があることが既知だとした場合、無限に再起的な読
み合いが発生する
 普通の場合（アリスだけが読む能力を持ち、ボブにはできないことを知っている）
- ボブ「（Aという行動をしよう）」
- アリス「（ボブはAという行動をするだろうからそれに強いBをしよう）」
 お互いに相手の行動を予測できる場合
- ボブ「（アリスは僕がAをすると思っているだろうからBを選ぶだろう。だからそれに強いCを
しよう」
- ボブ「いやだけど、アリスは僕がこんなことを考えているのも読んでいるだろうからCに強い
Dをしてくるかもしれない。Dに強いEをしよう」
- ボブ「それすらもアリスは読んでいるかもしれないから、Eを読んでFをしてくるかもしれな
い。やっぱりFに強いGで・・・」
- 以後、相手の推論能力の仮定をどこかでストップさせない限り、無限に続く（アリス側の思考
も同じ）
14

心の理論を適用する場合の問題点（MARL）
 シングルエージェントでPOMDPを扱う場合、LSTMやRNNをナイーブに適用し、環境に
対する信念を獲得すれば、部分的な観測から大体正しい行動が可能
 MARLの場合、他のエージェントの方策モデルのパラメータ（これは既知という仮定も
多い）、相手のRNNやLSTMの内部状態、さらに「相手が自分に対して推論している何
らかの機構」のモデルも信念として持つ必要がある
→再起的な推論が発生し、計算不可能
※MARLにおいてどの程度の読みが有効か実験的に示している例もある
15

参考/レベルK理論
 相手が何段階読むかを、レベル0（まったく読まない）、レベル1(一手先を読む)などと
いうKレベルで表現し、どれくらいの合理性を持った相手なのか予測する
 予測した相手のレベルに応じて行動を実行する
- レベル0（相手が何も読まない）なら、一手先を読めば勝てる
- レベル1（相手も一手先を読む）なら、２手先を読めば勝てる
 ここでの相手に対するKの値はあくまでも推測であり、現実的には相手の合理性を完璧に
は評価できないが、ゲームのトッププレイヤーや理系の人間などは一般的に高い
（例）数当てゲーム
- 複数の被験者に、1~100のどれかの数字を書かせ、全員の書いた数字の平均の2/3に最も近い
数字を書いたものが勝利というゲームをさせる
- 簡単に推論すると、全員がランダムに数字を選ぶとして平均50。その2/3の33周辺がよさそう
- ここで、推論のレベルを一つあげると「他のみんなも同じことを考えて33と書いてきそうだか
ら、平均は33近くなる。その2/3の22がよさそう」となる
- 以降、推論のレベルをあげるたびに数値は小さくなり、全員が合理的なプレイヤーという予測
では、0になるまでレベルが上がる
- 実験的には、ほとんどのプレイヤーがレベル1で、自分はレベル2の推論で十分なことが多い
16

Hanabi
MARLにおける心の理論系研究の主要ベンチマーク
 2〜5人の協力ゲーム
 RLで頻繁にベンチマークとなる主要なボードゲームなどと異なり、ゲーム木探索による
必勝法やナッシュ均衡など、ゲーム情報学的な解を持たない
 相手の意図によって、理想的な行動が異なる＆理想的な行動ではなく、メッセージ的な
行動をも要求されるなど、相手の意図をモデリングして積極的に利用する必要
 心の理論系（相手の行動を読んで自分の方策のinputとして使う等）の主要ベンチマーク
17

Hanabiのルール 1/2
 各プレイヤーは手札として、４枚（プレイヤー数が2 or 3名の場合は5枚）のカードを持
つ
 各カードは赤緑青白の5色と1~5の数字の組み合わせ（例：赤の5など）で分類され、全
50枚、各色10枚のカードがある（各色について1は3枚、2, 3, 4は2枚、5は1枚）
 プレイヤーは自分の手番に、自分の手札を場に出す（プレイ）、手札を捨てる、他のプ
レイヤーにヒントを与える、のいずれかの行動を選択
 ゲームの最終目的は、各色について1から順番に場に出して5まで揃えること（各色につ
いて５枚揃うことを”花火を打ち上げる”と表現）
 自分の手札は見えないが、他のプレイヤーの手札は全て見える
18
プレイヤー0（P0）視点のHanabi

Hanabiのルール 2/2
 他のプレイヤーに与えるヒントは、ある個人プレイヤーに対し、「そのプレイヤーが持
つ同じ数字のカードを全て教える（色は教えてはいけない）」、「そのプレイヤーが持
つ同じ色のカードを全て教える（数は教えてはいけない）」のどちらかで、一部だけ教
える等は不可能
- 例：P2に対して「1枚目と3枚目は赤色」
 ヒントを与えるとトークンを１つ消費するが、カードを捨てる行動を選択するとトーク
ンが１つ回復する（MAXは8つ）
- 捨てられたカードは全プレイヤーが見れるようになる
- カードを捨てた後、１枚カードを引いて補充する
 各色について、必ず数字順にプレイしなければならない
- 例えば、白1、白2が揃っている時に白4を出したら1ミス
 3回ミスするか、５色全て揃えるとゲーム終了
- 終了時点で場に正しくプレイされていたカードの総数が得点になる（MAX25点）
19
この場面では、プレイすることを許さ
れるカードはG2、B1、W2、Y2、R1

Hanabiの戦略・駆け引き的な部分
 行動による暗黙のコミュニケーション
- ヒントの与え方によって、ヒントで陽に示している以上の情報を与えることが可能
- 例：右下図の状況でP0が、P1に対し、「４枚目は赤」のヒントを与える
- P1視点だと４枚目のカードが赤以外の情報はないので、本来はプレイする情報が足りていないが、逆に考
えると「わざわざ不完全なヒントを与えたということは赤は１なのでは」という発想につながる
 Finesse（もう少し高度な暗黙コミュニケーション）
- P0がP2に対し「３枚目は2」のヒントを与える
- P2視点だと、このヒントをもらった場合に考えることは「おそらくこの2は白」（場にG1とW1があるが、
G2はすでに２枚とも捨てられているためW2以外あり得ない）
- これは間違いで、実際はR2なので、このままいくとP2はミスする
- P0の次の手番のP1視点だと「このままだとP2は失敗する。だが、P0があのようなヒントを出したからに
は理由があるはずで、おそらくそれは自分が最近引いたカードがR1でそれをプレイしろということか」
20

Hanabiの難しさ
 今回発表する手法以前は、機械的な手法では人間の知識を大量に入れたbotが主流で、学
習ベースのアプローチはこれらの手法に勝てなかった
- 人間に特有の非言語的なコミュニケーションを読み取れない
- テスト環境で学習時と別のエージェントとプレイすると、学習した方策が機能しない
 今回紹介する手法についても、二人以上のプレイではスコアが極端に下がる
21

BAD; Bayesian Action Decoder
 マルチエージェント強化学習（ここではHanabi）において、相手の行動から見えない情
報について何らかの推測ができれば、適切な行動と協調が可能
 相手の信念の推論はベイズ推論により、割と簡単に定式化可能だが、再起的に信念を推
論する部分で計算が爆発する
 BADでは全てのエージェントに公開されている情報（public features）を用いて、全て
のエージェントに共通の信念（public belief）を推論し、適切な決定論的方策を実行する
手法を提案
22

記号定義
 𝑎 ∈ 1. . 𝑁：エージェント
 𝑢𝑡
𝑎
：時刻tにおけるエージェントaの行動
 𝑜𝑡
𝑎
：時刻tにおけるエージェントaの観測
 𝑠𝑡：時刻tにおける環境の真の状態
 𝑂(𝑎, 𝑠𝑡)：観測関数
 𝜏𝑡
𝑎
=(𝑜0
𝑎
, 𝑢0
𝑎
, … , 𝑜𝑡
𝑎
)：エージェントaの行動観測の履歴
 𝜋𝑎
(𝑢𝑡
𝑎
|𝜏𝑡
𝑎
)：エージェントaの方策
 𝐮𝑡 = (𝑢𝑡
1
, . . , 𝑢𝑡
𝐴
)：共同行動
 𝑃 𝑠𝑡+1 𝑠𝑡, 𝐮𝑡)：遷移関数
 𝑟𝑡+1(𝑠𝑡, 𝐮𝑡)：チーム報酬
 𝐵𝑡：信念（これまでの履歴などからどんな隠れ状態にあるか確率的に表す）
23

Hanabiでベイズ推論を用い,自分の手札を予測する場合
𝑃 ℎ𝐵 𝑢𝐴) =
𝑃 𝑢𝐴 ℎ𝐵)𝑃(ℎ𝐵)
ℎ𝐵
′ 𝑃 𝑢𝐴 ℎ𝐵)𝑃(ℎ𝐵
′
)
=
𝜋𝐴 𝑢𝐴 ℎ𝐵 𝑃(ℎ𝐵)
ℎ𝐵
′
)
 ℎ𝑎, ℎ𝐵 ：エージェント（アリスとボブ）の手札
 ボブの自分の手札に関する信念 𝐵𝐵 = 𝑃(ℎ𝐵|𝑢𝐴)
 ここでは、アリス（ボブの手札ℎ𝐵が見えている）が、アリスのターンで、あるカードを
捨てる行動𝑢𝐴を選択した場合、ボブの手札が何かを推論
- アリスの行動𝑢𝐴には、ボブの手札ℎ𝐵を見たことによるなんらかの意味があるはずという仮定
 𝑃(𝑢𝐴|ℎ𝐵)は普通のRLの方策とみなせる
24
Bob
Alice
３枚めのカード
をプレイします
見えない
見えている

お互いが何らかの信念を持っており、環境の公開情報も利用する場合（見
えない情報に対して何らかの「読み」を行っている場合）
方策の入力として、単なる相手の手札の観測ℎだけでなく環境に関する何らかの公開情報𝑃𝑢𝑏
（今までプレイされたカードや、山札の残りなど)や、相手の信念𝐵も使用する場合、前スライ
ドの式をさらに変形すると、
変形前：𝑃 ℎ𝐵 𝑢𝐴) =
ℎ𝐵
′ )
=
𝜋𝐴 𝑢𝐴 ℎ𝐵 𝑃(ℎ𝐵)
ℎ𝐵
′ )
変形後：𝑃 ℎ𝐵 𝑢𝐴) =
ℎ𝐵
′ )
=
𝜋𝐴 𝑢𝐴 ℎ𝐵, 𝐵𝐴, 𝑃𝑢𝑏 𝑃(ℎ𝐵)
ℎ𝐵
′ 𝑃 𝑢𝐴 ℎ𝐵,𝐵𝐴,𝑃𝑢𝑏)𝑃(ℎ𝐵
′ )
 アリスの方策𝜋𝐴は、アリスの信念𝐵𝐴と公開情報𝑃𝑢𝑏に条件づけられているとみなせる
 信念は自分の見えていない手札の予測（BA = 𝑃(ℎ𝐴))
 𝐵𝐴= 𝑃 ℎ𝐴 𝑢𝐵)はどのように推論する？
→お互いに同じ推論を行っていると考えると、お互いの式に再起的に𝐵が登場し、推論が爆発
25

BADのアイディア
 全てのエージェントに公開されている情報で条件づけて、全エージェントの信念をまと
めて推測した信念をPublic beliefとすれば、全エージェントで共通の信念を共有できそう
𝐵𝐴 = 𝑃 ℎ𝐴 ℎ𝐵, 𝑓𝑝𝑢𝑏
𝐵𝐵 = 𝑃(ℎ𝐵|ℎ𝐴, 𝑓𝑝𝑢𝑏)
→ 𝐵𝑡 = 𝑃(ℎ𝐴, ℎ𝐵|𝑓𝑝𝑢𝑏)
 Public beliefを利用する方策𝜋𝐵𝐴𝐷（Public agent）を導入し、𝜋𝐵𝐴𝐷によって、ある時刻に
おける個別エージェントの決定論的方策を選択、privateな観測から行動を決定する
（上記より、各エージェントが共通の方策パラメータを持つことは既知とする）
 Hanabiの例を使って具体的に書くと、
26
𝑩𝒕 = 𝑷(𝒉𝑨 = ボブの手札の確率、𝒉𝑩 = アリスの手札の確率|𝒇𝒑𝒖𝒃
= 山札プレイされたカードなどの公開情報)

BADで登場する概念と記号定義
 𝑓𝑡
𝑝𝑢𝑏
：全てのエージェントに公開されている特徴 (public features)
→テーブル上に置かれていて全プレイヤーが見れるカード、山札の残りなど
 𝑓𝑡
𝑝𝑟𝑖
：一部のエージェントのみが見れる情報 (private features)
- 𝑓𝑡
𝑎
：エージェントaのみが参照できるprivate feature
- 自分だけが見れる手札、ℎ𝐴など
 Public belief 𝐵𝑡 = 𝑃(𝑓𝑡
𝑝𝑟𝑖
|𝑓<𝑡
𝑝𝑢𝑏
)
- 𝑓<𝑡
𝑝𝑢𝑏
=( 𝑓0
𝑝𝑢𝑏
, . . , 𝑓𝑡
𝑝𝑢𝑏
）
 𝜋𝐵𝐴𝐷 ：Public agentの方策
 𝜋 ∶ {𝑓𝑎} → 𝒰：個別エージェントの決定論的方策（Partial Policy）
 𝑠𝐵𝐴𝐷： 𝐵𝑡と𝑓𝑝𝑢𝑏を一まとめにした概念
 𝜋 ∼ 𝜋𝐵𝐴𝐷(𝜋 |𝑠𝐵𝐴𝐷)
27

PuB-MDP（Public belief MDP）
28

Public Belief
 全てのエージェントの可能な𝑓𝑝𝑟𝑖の組み合わせに確率を割り振った行列
(例)
29
アリスの手札ℎ𝐴、ボブの手札ℎ𝐵、𝑃(ℎ𝐴, ℎ𝐵)
23344, 11122, 0.000
23344, 11123, 0.002
・
・
・
44444, 55555, 0.001
𝐵𝑡 =
{ }

Partial PolicyとPublic Policy
 Partial Policy 𝜋は特定の𝑓𝑝に対応する行動リスト、Public Policy 𝜋𝐵𝐴𝐷はいくつかある𝜋
を選択するための確率分布
30
23344→5のカードをプレイ
23344→青のカードに関するヒント
・
・
55555→3のカードを捨てる
{ }
𝜋 =

Public Policyの更新
 プレイヤーが行動する各時間ステップごとに、その時刻のプレイヤーの行動 𝑢𝑡
𝑎
、信念 𝐵𝑡 、
選択されたpartial policy 𝜋 、その他の公開情報 𝑓′𝑝𝑢𝑏 （残りのカード枚数など）を用いて、
次の時刻の信念𝐵𝑡+1を得る
𝐵𝑡+1 = 𝑃(𝑓𝑝𝑟𝑖|𝑢𝑡
𝑎
, 𝜋, 𝑓′𝑝𝑢𝑏, 𝐵𝑡)
31

その他
 実際には、Public belief行列はかなり大きいので、いくつか計算上の工夫を行って小さく
している（論文中”Factorised Belief Updates”, Self-Consistent Beliefsの部分）
 実装上は、 𝜋 ∼ 𝜋𝐵𝐴𝐷(𝜋 | 𝑠𝐵𝐴𝐷) = 𝜋𝐵𝐴𝐷(𝜋 |𝐵𝑡, 𝑓𝑝𝑢𝑏)の部分については、パラメータθを持
つMLPネットワークを使って近似している（出力の𝑢は全ての行動候補）
計算したいもの：𝑃 𝜋 | 𝑠𝐵𝐴𝐷 = 𝜋𝐵𝐴𝐷(𝜋 |𝐵𝑡, 𝑓𝑝𝑢𝑏)
実際に計算するもの：𝑃 𝑢 𝑓𝑎, 𝑠𝐵𝐴𝐷) = 𝜋𝜃 (𝑢|𝑓𝑎, 𝑠𝐵𝐴𝐷)
32
𝑓𝑎
𝑠𝐵𝐴𝐷
𝑢

実験：定量評価
 異なる公開情報をベースにした入力を行うLSTMベースのエージェントと、既存の最強の
BotとHanabiにおける平均スコアを比較（マックスは25点）
 方策更新のRL手法としてはActor-Criticの方策オフ手法（IMPALA）を使用
 注意として、ここでは2人のHanabiしか評価していないため、BADの強さは限定的
33

実験：定性的な部分
 テスト時に、エージェント間で、特定の行動が暗黙的なメッセージになっているプレイ
が複数見られた
- 例えば、赤色or黄色のカードに関するヒントを与えた場合には、「一番新しいカードをプレイ
しろ」の意味、青か白の場合は「一番新しいカードを捨てろ」の意味を持っている
 論文Appendixにおいて、過去のHanabiの最強botの作者がテスト時のBADエージェント
のプレイを分析したコメントを載せている
34

BADの問題点
 テスト環境が2人のHanabiで比較的簡単（人間の普通のゲームなら普通もっと多人数）
 Public Agent、方策パラメータが同じという仮定が非現実的
 公開情報がドメイン依存で、汎用性が低い
 計算コストが大きい（𝑓𝑝𝑢𝑏が膨大）
35

SAD; Simplified Action Decoder
 公開情報をベイズ推論に組み込むBADの手法は、二人プレイHanabiで高パフォーマンス
だったが、公開情報の利用が計算コストの増大と汎用性の低さにつながる
 SADでは公開情報を必要とする部分（Public Policy、決定論的Partial Policy）を廃し個
別の信念を持つRNNエージェントが個別の方策を表現
- 個別エージェントはε-greedy探索を採用して学習時に探索を行う
- BADでは探索の部分を、Public policyが公開情報で条件づけて確率的に選択するpartial policy
で代替していた
※ここでの公開情報とは、普通にプレイして観測できる他エージェントの行動𝑢𝑎などではなく、山札
中の残りのカード数や、ヒントから推論できるカードの詳細情報など、利用にコストがかかるもの
 個別のエージェントの確率的な探索の導入により、不安定になった信念のベイズ推論を
解決するため、学習中に環境に対して実行される行動と単に他のエージェントの入力と
なる行動の二つを利用
 「Simplified」の名の通り、手法は非常にシンプルで簡潔な発想
36

SADで登場する概念と記号定義
 𝜏𝑡：環境の行動-状態履歴
 𝜏𝑡
𝑎
：エージェントaの行動-観測履歴
※SADのエージェントにはRNNを使用
 𝐵(𝜏𝑡)環境の履歴に関する信念
 SADにおける推論
 BADの時と同じく、自分の参照できる情報（自分の履歴）と相手の行動を観測したとき、
自分が見えない環境の情報𝜏を推論する機構（心の理論部分）を表現
37

公開情報を使わないことによる問題
 個別のRNNエージェントは学習中に、ε-greedy探索を採用
 各エージェントの行動は、確率εでランダムに実行された行動かもしれず、信念状態の
更新に利用するのは妥当ではない
（ランダムな行動は環境の状態に関する情報を含まない）
 ε-greedy探索を行う場合の方策の表現
 𝑢∗(𝜏𝑡)はgreedyな行動、 𝑢∗ 𝜏𝑡 = 𝑎𝑟𝑔𝑚𝑎𝑥 𝑢 𝑄𝑎′
(𝑢, 𝑂(𝑎′, 𝜏𝑡))、𝑰は指示関数
 上記を信念の推論に適用すると、計算困難
38

SADのアイディア
 学習中に、エージェントは２種類の行動を実行する
- 𝒖𝒂
：実際に環境に対して実行されるアクション（greedyかランダム選択かは問わない）
→ベイズ推論・更新にとっては邪魔だが、探索のため必要
- 𝒖∗：greedy（行動価値が最も高い）な行動。ε-greedy探索だとεの確率で実行されない
→これのみを実行すると探索が進まないが、本来はベイズ推論・更新に必要なアクション
上記のうち𝒖𝒂
はそのまま環境に対して実行。そして、 𝒖∗
については環境に対して実行せず、他
のエージェントの観測の入力のみに使用
 本来は最適でなかった行動𝒖𝒂
を実行した後「俺は本当は行動𝒖∗
をやりたかった」とメッセー
ジを送るイメージ
 テスト時はεの値が0で、 𝒖𝒂
と𝒖∗
は常に一致するため、行動を送信する必要はない
39

実験
 SADと他のMARLのRNNを使う手法を、二人以上のプレイヤーによるHanabiで評価
 強化学習はDQNベース
 BADより高パフォーマンス&二人以上のゲームでもほぼSOTA
40

その他の心の理論周りの話題
 ロボット&Visual observation✖️心の理論
Visual behavior modelling for robotic theory of mind
- 実機ロボットの軌道の観測から別の時間の観測を予測できるか
 言語✖️心の理論
Few-shot Language Coordination by Modeling Theory of Mind
- 指示ゲームで、相手の言語認識レベルに応じた指示を行えるか
 実験的な人間の知能との関連性
Negotiating with other minds: the role of recursive theory of mind in negotiation with
incomplete information
- 人間のレベルK理論では、レベル2の推論を行うのがちょうどいいとされているが、機械的な
エージェントではどの程度のレベルが最適か実験的に明らかに
- 機械的なエージェントのシミュレーションでもレベル2程度を採用すると一番効率がよい
41

参考文献
 Opponent modeling
- H. He, J. Boyd-Graber, K. Kwok, H.D. III, Opponent modeling in deep reinforcement learning, in: Proceedings of the International Conference on
Machine Learning (ICML), 2016.
- R. Raileanu, E. Denton, A. Szlam, R. Fergus, Modeling Others using Oneself in Multi-Agent Reinforcement Learning., in: International Conference on
Machine Learning, 2018. 12, 15, 22, 28
- Z.-W. Hong, S.-Y. Su, T.-Y. Shann, Y.-H. Chang, C.-Y. Lee, A Deep Policy Inference Q-Network for MultiAgent Systems, in: International Conference
on Autonomous Agents and Multiagent Systems, 2018. 12, 15, 22, 23, 27, 28 [169] M. Lanctot, V. F. Z
 心の理論（心理学・行動科学）
- D. Premack, G. Woodruff, Does the chimpanzee have a theory of mind? Behav. Brain Sci. 1 (1978) 515–526
- C. Camerer, T. Ho, J. Chong, A cognitive hierarchy model of games, Q. J. Econ. 119 (3) (2004) 861–898.
- H. de Weerd, R. Verbrugge, B. Verheij, How much does it help to know what she knows you know? An agent-based simulation study, Artif. Intell. 199
(2013) 67–92.
- 川越敏司（2010）：行動ゲーム理論入門, NTT出版
- 子安増生、郷式徹（2016）：心の理論第２世代の研究へ, 新曜社
- 西野成昭, 花木伸行（2021）：マルチエージェントからの行動科学：実験経済学からのアプローチ, コロナ社
 心の理論（機械学習）
- Bard, N., Foerster, J. N., Chandar, S., Burch, N., Lanctot, M., Song, H. F., Parisotto, E., Dumoulin, V., Moitra, S., Hughes, E., et al. The hanabi challenge:
A new frontier for ai research. Artificial Intelligence, 280:103216, 2020.
- Foerster, J., Song, F., Hughes, E., Burch, N., Dunning, I., Whiteson, S., Botvinick, M., and Bowling, M. Bayesian action decoder for deep multi-agent
reinforcement learning. In International Conference on Machine Learning, pp. 1942–1951. PMLR, 2019.
- Hu, H. and Foerster, J. N. Simplified action decoder for deep multi-agent reinforcement learning. In 8th International Conference on Learning
Representations, ICLR 2020, Addis Ababa, Ethiopia, April 26-30, 2020. OpenReview.net, 2020.
- Hu, H., Peysakhovich, A., Lerer, A., and Foerster, J. “otherplay”for zero-shot coordination. In Proceedings of Machine Learning and Systems 2020, pp.
9396–9407. 2020.
- N. C. Rabinowitz, F. Perbet, H. F. Song, C. Zhang, S. M. A. Eslami, M. Botvinick, Machine Theory of Mind., in: International Conference on Machine
Learning, Stockholm, Sweden, 2018. 12, 15, 24, 28
42

[DL輪読会] マルチエージェント強化学習と心の理論

Recommended

More Related Content

What's hot (20)

More from Deep Learning JP (20)

Recently uploaded (20)

[DL輪読会] マルチエージェント強化学習と心の理論