[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,95 +2,209 @@
|
||||
id: wiki-2026-0508-policy-optimization
|
||||
title: Policy Optimization
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-POLO-001]
|
||||
aliases: [policy-gradient, ppo, trpo, grpo, dpo, rlhf-optimization]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, Reinforcement-Learning, Optimization, policy-gradient, ai-training]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [reinforcement-learning, ppo, grpo, dpo, rlhf]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: PyTorch / TRL
|
||||
---
|
||||
|
||||
# [[Policy-Optimization|Policy-Optimization]]
|
||||
# Policy Optimization
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "행동 지침의 진화: 시행착오와 보상을 통해 에이전트가 어떤 상황에서 어떤 선택을 하는 것이 최선인지(Policy)를 수학적으로 정교하게 다듬어가는 강화학습의 심장."
|
||||
## 매 한 줄
|
||||
> **"매 policy π_θ 의 reward expectation 의 직접 maximize"**. 매 vanilla PG (REINFORCE) → A2C/A3C → 매 TRPO (trust region) → 매 PPO (clip surrogate, 2017) → 매 GRPO (group-relative, DeepSeek 2024) → 매 DPO (preference, 2023). 매 modern LLM RLHF 의 backbone.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
정책 최적화(Policy Optimization)는 강화학습(RL)에서 에이전트의 결정 지침인 '정책'을 직접 학습시켜 기대 누적 보상을 극대화하는 방법론입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **핵심 메커니즘 (Policy Gradient)**:
|
||||
* 특정 행동을 했을 때 높은 보상을 받으면 해당 행동을 할 확률을 높이고, 낮은 보상을 받으면 확률을 낮추는 방향으로 가중치 업데이트.
|
||||
* $\nabla J(\theta) \approx \mathbb{E} [\nabla \log \pi_\theta(a|s) R]$
|
||||
2. **주요 알고리즘**:
|
||||
* **REINFORCE**: 보상의 전체 합계를 사용하여 업데이트하는 가장 기초적인 정책 그래디언트 방식.
|
||||
* **PPO (Proximal Policy Optimization)**: 급격한 정책 변화를 억제([[CLIP|CLIP]]ping)하여 학습의 안정성을 획기적으로 높인 오픈AI의 표준 알고리즘.
|
||||
* **TRPO (Trust Region Policy Optimization)**: 정책 변화량을 신뢰 영역 내로 제한하여 성능 향상을 보장.
|
||||
3. **장점**:
|
||||
* 연속적인 행동 공간(예: 로봇 팔 조절) 문제를 해결하는 데 탁월함.
|
||||
* 확률적 정책(Stochastic Policy)을 통해 탐험(Exploration)을 자연스럽게 수행.
|
||||
### 매 algorithm 계보
|
||||
- **매 REINFORCE (1992)**: ∇J = E[∇log π · R]. 매 high variance.
|
||||
- **매 A2C/A3C (2016)**: actor-critic, advantage A = Q - V. 매 lower variance.
|
||||
- **매 TRPO (2015)**: trust region — KL constraint. 매 monotonic improvement guarantee. 매 expensive (Fisher).
|
||||
- **매 PPO (2017, Schulman)**: clipped surrogate r·A vs clip(r, 1-ε, 1+ε)·A. 매 first-order, 매 simple, 매 dominant 2017-2023.
|
||||
- **매 GRPO (2024, DeepSeek)**: PPO 의 critic 의 제거 — 매 group-relative advantage (mean of K samples). 매 efficient for LLM RL.
|
||||
- **매 DPO (2023, Rafailov)**: 매 reward model 의 우회 — 매 preference data 의 closed-form policy update. 매 RLHF simplified.
|
||||
- **매 GSPO, KTO, ORPO** (2024): DPO variants.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 가치 기반(Q-Learning) 방식이 주류였으나, 복잡한 현실 세계의 문제는 가치 함수로만 설명하기 어려워 정책 직접 최적화 방식이 현대 AI의 대세가 됨.
|
||||
- **정책 변화(RL Update)**: 정책 최적화 과정에서 발생하는 '보상 해킹(Reward Hacking)'이나 '안전 위배'를 방지하기 위해, 제약 조건을 수식에 직접 포함하는 'Safe RL' 정책이 자율 주행 및 의료 AI 학습의 필수 규정으로 도입됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], Policy Gradient Methods, [[Optimization|Optimization]], Machine Learning, PPO (Proximal Policy Optimization)
|
||||
- **Modern Tech/Tools**: OpenAI Spinning Up, Stable Baselines3, Ray Rllib.
|
||||
---
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### 매 PPO clip objective
|
||||
```
|
||||
L_CLIP(θ) = E[ min( r·A, clip(r, 1-ε, 1+ε)·A ) ]
|
||||
where r = π_θ(a|s) / π_old(a|s)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 매 GRPO (DeepSeek-Math/R1)
|
||||
```
|
||||
A_i = (R_i - mean(R)) / std(R) # group-relative
|
||||
L = E[ min(r·A, clip(r, 1-ε, 1+ε)·A) - β·KL(π||π_ref) ]
|
||||
```
|
||||
매 critic 의 사용 X — 매 sample group 의 baseline 으로.
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 매 DPO objective
|
||||
```
|
||||
L_DPO = -E[ log σ( β·log(π(y_w|x)/π_ref(y_w|x)) - β·log(π(y_l|x)/π_ref(y_l|x)) ) ]
|
||||
```
|
||||
매 chosen y_w + rejected y_l 의 directly optimize.
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. 매 LLM RLHF (PPO → GRPO → DPO).
|
||||
2. 매 robot control (PPO).
|
||||
3. 매 game-playing (OpenAI Five, AlphaStar).
|
||||
4. 매 LLM reasoning (R1-style RL).
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### PPO — minimal (CleanRL-style)
|
||||
```python
|
||||
import torch, torch.nn as nn
|
||||
import torch.nn.functional as F
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
class ActorCritic(nn.Module):
|
||||
def __init__(self, obs_dim, act_dim):
|
||||
super().__init__()
|
||||
self.actor = nn.Sequential(nn.Linear(obs_dim, 64), nn.Tanh(),
|
||||
nn.Linear(64, 64), nn.Tanh(),
|
||||
nn.Linear(64, act_dim))
|
||||
self.critic = nn.Sequential(nn.Linear(obs_dim, 64), nn.Tanh(),
|
||||
nn.Linear(64, 64), nn.Tanh(),
|
||||
nn.Linear(64, 1))
|
||||
|
||||
def ppo_update(net, opt, obs, acts, old_logp, advs, returns, eps=0.2, c_v=0.5, c_e=0.01):
|
||||
logits = net.actor(obs)
|
||||
dist = torch.distributions.Categorical(logits=logits)
|
||||
logp = dist.log_prob(acts)
|
||||
ratio = (logp - old_logp).exp()
|
||||
surr1 = ratio * advs
|
||||
surr2 = ratio.clamp(1-eps, 1+eps) * advs
|
||||
pg_loss = -torch.min(surr1, surr2).mean()
|
||||
v = net.critic(obs).squeeze(-1)
|
||||
v_loss = F.mse_loss(v, returns)
|
||||
ent = dist.entropy().mean()
|
||||
loss = pg_loss + c_v * v_loss - c_e * ent
|
||||
opt.zero_grad(); loss.backward()
|
||||
nn.utils.clip_grad_norm_(net.parameters(), 0.5); opt.step()
|
||||
```
|
||||
|
||||
### GAE (Generalized Advantage Estimation)
|
||||
```python
|
||||
def gae(rewards, values, dones, last_v, gamma=0.99, lam=0.95):
|
||||
advs = torch.zeros_like(rewards)
|
||||
g = 0
|
||||
for t in reversed(range(len(rewards))):
|
||||
next_v = last_v if t == len(rewards)-1 else values[t+1]
|
||||
delta = rewards[t] + gamma * next_v * (1 - dones[t]) - values[t]
|
||||
g = delta + gamma * lam * (1 - dones[t]) * g
|
||||
advs[t] = g
|
||||
return advs, advs + values
|
||||
```
|
||||
|
||||
### GRPO — DeepSeek-style (TRL)
|
||||
```python
|
||||
from trl import GRPOConfig, GRPOTrainer
|
||||
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||||
|
||||
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-7B-Instruct")
|
||||
tok = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-7B-Instruct")
|
||||
|
||||
def reward_fn(prompts, completions, **kwargs):
|
||||
# 매 e.g. correctness check for math problems
|
||||
return [1.0 if check_answer(c) else 0.0 for c in completions]
|
||||
|
||||
config = GRPOConfig(
|
||||
num_generations=8, # 매 group size K
|
||||
learning_rate=1e-6,
|
||||
beta=0.04, # KL penalty
|
||||
max_prompt_length=512, max_completion_length=512,
|
||||
)
|
||||
trainer = GRPOTrainer(model=model, reward_funcs=reward_fn, args=config,
|
||||
train_dataset=ds, processing_class=tok)
|
||||
trainer.train()
|
||||
```
|
||||
|
||||
### DPO (TRL)
|
||||
```python
|
||||
from trl import DPOTrainer, DPOConfig
|
||||
|
||||
# Dataset: {"prompt": str, "chosen": str, "rejected": str}
|
||||
config = DPOConfig(beta=0.1, learning_rate=5e-7, max_length=1024)
|
||||
trainer = DPOTrainer(model=model, ref_model=ref_model, args=config,
|
||||
train_dataset=preference_ds, processing_class=tok)
|
||||
trainer.train()
|
||||
```
|
||||
|
||||
### Reward shaping for GRPO (math + format)
|
||||
```python
|
||||
import re
|
||||
|
||||
def reward_correctness(completions, ground_truth, **k):
|
||||
return [1.0 if extract_answer(c) == gt else 0.0
|
||||
for c, gt in zip(completions, ground_truth)]
|
||||
|
||||
def reward_format(completions, **k):
|
||||
# 매 <think>...</think><answer>...</answer> 의 강요
|
||||
pat = re.compile(r"<think>.*?</think>\s*<answer>.*?</answer>", re.S)
|
||||
return [0.5 if pat.search(c) else 0.0 for c in completions]
|
||||
|
||||
# Combine in TRL: pass as list reward_funcs=[reward_correctness, reward_format]
|
||||
```
|
||||
|
||||
### KL penalty (PPO-RLHF)
|
||||
```python
|
||||
# 매 reference model 매 anchor 의 사용 — 매 RLHF 의 stay close to SFT
|
||||
log_ratio = logp_policy - logp_ref
|
||||
kl = (log_ratio.exp() - 1 - log_ratio).mean() # 매 unbiased k3 estimator
|
||||
loss = pg_loss + beta * kl
|
||||
```
|
||||
|
||||
### TRPO line-search (sketch)
|
||||
```python
|
||||
# 매 modern code 매 PPO 의 사용 — TRPO 매 reference only
|
||||
# 1. compute natural gradient: F^-1 g (Fisher inverse via conjugate gradient)
|
||||
# 2. line-search with KL ≤ δ constraint
|
||||
# 3. accept step if surrogate improves and KL within budget
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Algorithm |
|
||||
|---|---|
|
||||
| 매 standard RL benchmark (Atari, MuJoCo) | 매 PPO |
|
||||
| 매 LLM RL with verifiable reward | 매 GRPO |
|
||||
| 매 LLM preference data (no reward model) | 매 DPO |
|
||||
| 매 LLM RLHF (with RM) | 매 PPO or GRPO |
|
||||
| 매 sample-efficient continuous control | 매 SAC (off-policy) |
|
||||
| 매 monotonic improvement guarantee | 매 TRPO (rare in practice) |
|
||||
|
||||
**기본값**: 매 PPO (RL benchmark) / GRPO (LLM RL) / DPO (LLM preference).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Reinforcement-Learning]] · [[RLHF]]
|
||||
- 변형: [[PPO]] · [[GRPO]] · [[DPO]] · [[TRPO]] · [[A2C]]
|
||||
- 응용: [[LLM-Fine-Tuning]] · [[Robot-Learning]] · [[Game-AI]]
|
||||
- Adjacent: [[Q-Learning]] · [[SAC]] · [[Off-Policy-RL]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 PPO 매 baseline RL, 매 GRPO 매 LLM verifiable-reward task (math, code), 매 DPO 매 preference data only 매 사용.
|
||||
**언제 X**: 매 sample-efficiency critical (off-policy: SAC, TD3), 매 ground-truth label exists (supervised 의 사용).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **매 huge KL divergence allow**: 매 policy 매 ref 보다 collapse → 매 reward hacking.
|
||||
- **매 advantage 의 normalize 안 함**: 매 PPO 매 batch advantage normalization 의 critical.
|
||||
- **매 single epoch only**: 매 PPO 매 multiple epochs (3-10) 의 importance ratio 의 활용.
|
||||
- **매 GRPO without group**: 매 group size 1 → 매 advantage = 0.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (PPO Schulman 2017, GRPO DeepSeek-Math 2024, DPO Rafailov 2023, TRL docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — PPO/GRPO/DPO + GAE + TRL patterns |
|
||||
|
||||
Reference in New Issue
Block a user