发表时间：2018（ICLR 2018）
文章要点：从variational inference的角度引入了一种新的RL范式：最大化后验策略优化（MAXIMUM A POSTERIORI POLICY OPTIMISATION，MPO）。主要式子如上图，目标是使得获得最大reward的事件出现的概率最大，然后引入了一个新的策略q，放缩成了右边的目标函数J（evidence lower bound (ELBO)）。有点贝叶斯方法的感觉，然后用EM的方式更新，E-step更新q来提升J，M-step更新π来提升J。这个范式把最大熵策略（引入KL constraint）和信頼域方法（可以看做parametric E-step）也囊括了进来，算是policy optimization方法和off-policy方法的混合。在连续控制上效果较好，Atari这样的离散问题上效果比SOTA差些。
总结：从inference的角度看RL方法，挺有意思的。后面好多MCTS的文章也被拿来从MPO的角度来解释和进一步改进，挺重要的思路。
疑问：证明没明白，还需要看看yidaxu的课再回过头来看一遍paper。
相关文章：