Skip to content

syuntoku14/Shumi-Note

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

480 Commits
notebooks
notebooks
 
 
slides
slides
 
 
.gitignore
.gitignore
 
 
.python-version
.python-version
 
 
README.md
README.md
 
 
poetry.lock
poetry.lock
 
 
pyproject.toml
pyproject.toml
 
 

Repository files navigation

Shumi-Note

制作方針

  • 勉強内容をnotebooksにまとめてます。
  • 全てのnotebookは独立させています。
  • 内容は勉強中なので正しいとは限りません。内容が怪しいやつ（Notationの不備など）はTODOがついてます。
  • 実装ではしばしば高速化のためにjaxを使用してます。

インストール

poetryを使ってください。

git clone [email protected]:syuntoku14/Shumi-Note.git && cd Shumi-Note
poetry install

日付順のNotebook一覧

  • NDA的にここに出せないやつは****になってます。（出せるようになったらここにも現れるかも）
  1. (2023/1/18) Linear MDP: notebooks/RL_linear_MDP.ipynb
  2. (2023/1/21) 測度論的確率論（TODO）: notebooks/PROB_measure_theoretic_probability.ipynb
  3. (2023/1/26) 確率過程（TODO）: notebooks/PROB_probability_process.ipynb
  4. (2023/1/28) ルベーグ積分: notebooks/PROB_lebesgue_integral.ipynb
  5. (2023/1/28) 上極限、下極限: notebooks/PROB_liminf_limsup.ipynb
  6. (2023/1/29) 極値分布: notebooks/PROB_extreme_value_distribution.ipynb
  7. (2023/1/29) 特性関数: notebooks/PROB_characteristic_function.ipynb
  8. (2023/1/29) 確率積分（TODO）: notebooks/PROB_stochastic_integration.ipynb
  9. (2023/1/29) バンディットアルゴリズムの基本: notebooks/BANDIT_basics.ipynb
  10. (2023/1/30) テイラーの定理: notebooks/MATH_taylor_theorem.ipynb
  11. (2023/1/31) 伊藤積分 & 確率微分方程式の実験（TODO）: notebooks/PROB_stochastic_integration.ipynb
  12. (2023/2/1) Girsanovの定理: notebooks/PROB_stochastic_integration.ipynb
  13. (2023/2/4) ガウス過程回帰: notebooks/PROB_gp_regression.ipynb
  14. (2023/2/5) 敵対的バンディット（TODO）: notebooks/BANDIT_basics.ipynb
  15. (2023/2/5) マルチステップ強化学習 (On-policy推定編): notebooks/RL_multi_step.ipynb
  16. (2023/2/6) マルチステップ強化学習 (Off-policy推定編): notebooks/RL_multi_step.ipynb
  17. (2023/2/6) マルチステップ強化学習 (マルチステップ制御編): notebooks/RL_multi_step.ipynb
  18. (2023/2/7) MDPについて (Garnet MDP): notebooks/RL_Markov_Decision_Process.ipynb
  19. (2023/2/8) 文脈付きバンディット (TODO): notebooks/BANDIT_General_contextual.ipynb
  20. (2023/2/9) 線形バンディット: notebooks/BANDIT_General_contextual.ipynb
  21. (2023/2/10) 適合価値反復法: notebooks/RL_General_fitted_Q_iteration.ipynb
  22. (2023/2/12) Generalized RL (適合Q学習などの一般化): notebooks/generalied_RL.ipynb
  23. (2023/2/13) Generalized RL (確率的な作用素で一般化): notebooks/generalied_RL.ipynb
  24. (2023/2/14~17) マルチステップRLのスライド: slides/RL_multi_step.pdf
  25. (2023/2/19) 方策勾配法 (マルチステップRL): notebooks/RL_PolicyGrad_multi-step_experiment.ipynb
  26. (2023/2/20~21) Transformer: notebooks/NN_transformer.ipynb
  27. (2023/2/22) Reward Free RL: notebooks/RL_reward_free.ipynb
  28. (2023/2/23) 教育用強化学習修行Notebook (行列形式の動的計画法編): notebooks/RL_Exercise.ipynb
  29. (2023/2/23) Reward Free RL (RF-EXPRESS): notebooks/RL_reward_free.ipynb
  30. (2023/2/24) **** : ****.ipynb
  31. (2023/2/24) Self-Normalized Bound for Vector Valued Martingales (途中): notebooks/BANDIT_General_linear_improved.ipynb
  32. (2023/2/25) YadokoriとDaniのバンディットアルゴリズムの比較: notebooks/BANDIT_General_linear_improved.ipynb
  33. (2023/2/26) 探索の理論 (UCB編): notebooks/BANDIT_UCB_regret_proof.ipynb
  34. (2023/2/27-28) 探索の理論 (UCB-VI編): notebooks/RL_UCB_VI_regret_proof.ipynb
  35. (2023/2/28-3/3) **** : ****
  36. (2023/3/4) 探索の理論 (UCB-VIのBernstein版): notebooks/RL_UCB_VI_regret_proof.ipynb
  37. (2023/3/4) Q学習の理論 (UCB-H編): notebooks/RL_UCB_H_regret_proof.ipynb
  38. (2023/3/5) 遷移確率の推定について: notebooks/RL_transition_estimation_proofs.ipynb
  39. (2023/3/6) **** : ****.ipynb
  40. (2023/3/7) Task-agnostic探索の理論: notebooks/RL_reward_free_task_agnostic.ipynb
  41. (2023/3/8) ロバストMDP: notebooks/RL_robust_MDP.ipynb
  42. (2023/3/10) ロバストMDPの理論（モデルベース＆Generative model）: notebooks/RL_robust_MDP.ipynb
  43. (2023/3/12) 強化学習と線形計画問題: notebooks/RL_Convex_as_LP.ipynb
  44. (2023/3/12) 強化学習の便利な関数: notebooks/RL_utils.ipynb
  45. (2023/3/13) マルチステップRLのスライド（簡単版）: slides/RL_multi_step_easy.pdf
  46. (2023/3/13) TODO: ロバストMDPの理論（正則化との関係）: notebooks/RL_robust_MDP_and_regularization.ipynb
  47. (2023/3/14) TODO: 模倣学習: notebooks/RL_imitation_learning.ipynb
  48. (2023/3/17) 最尤推定：notebooks/PROB_maximum_likelihood.ipynb
  49. (2023/3/20) 凸集合：notebooks/CVX_convex_sets.ipynb
  50. (2023/3/21) 凸集合：notebooks/CVX_convex_sets.ipynb
  51. (2023/3/22) 強化学習のサンプル効率の下界：notebooks/RL_LowerBound_statistical_limits.ipynb
  52. (2023/3/20~2023/3/23) : 読書：ソフトウェア見積り　人月の暗黙知を解き明かす
  53. (2023/3/24) **** : ****.ipynb
  54. (2023/3/25) 強化学習のサンプル効率の下界（Linear Realizable編）：notebooks/RL_LowerBound_statistical_limits.ipynb
  55. (2023/3/27) TODO: 強化学習とエントロピー正則化（途中）：notebooks/RL_entropy_regularization.ipynb
  56. (2023/3/28) 凸関数（共役関数とか）：notebooks/CVX_convex_functions.ipynb
  57. (2023/3/29) Approximate Dynamic Programming：notebooks/RL_approximate_dynamic_programming.ipynb
  58. (2023/3/30) TODO: Approximate Dynamic Programming（正則化あり）：notebooks/RL_approximate_dynamic_programming.ipynb
  59. (2023/4/01) 最小楕円問題：notebooks/CVX_minimum_volume_ellipsoids.ipynb
  60. (2023/4/02) 他変量関数の微分：notebooks/MATH_multivariate_derivative.ipynb
  61. (2023/4/03) 最小楕円問題のアルゴリズム：notebooks/CVX_MVEE_algorithm.ipynb
  62. (2023/4/04) 最小楕円問題とCore-set：notebooks/CVX_MVEE_algorithm.ipynb
  63. (2023/4/05) **** : ****.ipynb
  64. (2023/4/06) **** : ****.ipynb
  65. (2023/4/07) 行列と行列式（途中）: LA_matrix_determinant.ipynb
  66. (2023/4/07) エントロピー最大化と探索（途中）: RL_reward_free_max_ent.ipynb
  67. (2023/4/08) 強化学習の便利な関数（有限ホライゾン）: notebooks/RL_utils.ipynb
  68. (2023/4/09) 強化学習の便利な関数（探索用）: notebooks/RL_utils.ipynb
  69. (2023/4/09) エントロピー最大化と探索（EntGameアルゴリズム）: RL_reward_free_max_ent.ipynb
  70. (2023/4/10) 凸関数（Bregman Divergenceとか）：notebooks/CVX_convex_functions.ipynb
  71. (2023/4/11) 凸関数（Projectionについて）：notebooks/CVX_convex_functions.ipynb
  72. (2023/4/12) バンディットの便利な関数: notebooks/BANDIT_utils.ipynb
  73. (2023/4/13) 敵対的バンディット: notebooks/BANDIT_adversarial.ipynb
  74. (2023/4/14) RL Theory Book翻訳: 特徴付きMDP
  75. (2023/4/16) Fenchelの双対定理：notebooks/CVX_convex_functions.ipynb
  76. (2023/4/17) RLと線型計画問題（方策評価）：notebooks/RL_Convex_as_LP.ipynb
  77. (2023/4/19) 置換と基本行列: notebooks/LA_matrix_determinant.ipynb
  78. (2023/4/20) クロネッカー積: notebooks/LA_matrix_determinant.ipynb
  79. (2023/4/21) 行列式: notebooks/LA_matrix_determinant.ipynb
  80. (2023/4/22) Linear MDPでのサンプル効率の下界: notebooks/RL_LowerBound_linearMDP.ipynb
  81. (2023/4/26) 余因子行列: notebooks/LA_matrix_determinant.ipynb
  82. (2023/4/27) ロバストQ学習: notebooks/RL_robust_Q_learning.ipynb
  83. (2023/4/28) ゲルシュゴリンの定理: notebooks/LA_Gershgorin_circle_theorem.ipynb
  84. (2023/4/30) 最小楕円問題と最小二乗法　：notebooks/CVX_minimum_volume_ellipsoids.ipynb
  85. (2023/5/01 ~ 2023/5/07) ****.ipynb
  86. (2023/5/08) 敵対的線形バンディット: notebooks/BANDIT_adversarial_linear.ipynb
  87. (2023/5/09) CPIのスライドの追加: slides/RL_CPI.pdf
  88. (2023/5/09) CVIのスライドの追加: slides/RL_CVI.pdf
  89. (2023/5/09) コンパクト集合: notebooks/MATH_compact_set.ipynb
  90. (2023/5/09) Kiefer-Wolfowitzの定理: notebooks/BANDIT_Kiefer_Wolfowitz.ipynb
  91. (2023/5/10) 模倣学習の証明の修正: notebooks/RL_imitation_learning.ipynb
  92. (2023/5/11) 制約付きMDP（途中）: notebooks/RL_CMDP.ipynb
  93. (2023/5/11) 最小楕円問題のアルゴリズムとKYの初期化：notebooks/CVX_MVEE_algorithm.ipynb
  94. (2023/5/14) エピソディック有限ホライゾンRL（途中）: notebooks/RL_episodic_finite_horizon.ipynb
  95. (2023/5/17) 統計的学習理論（途中）: notebooks/MATH_statistical_learning_theory.ipynb
  96. (2023/5/18) VC次元: notebooks/MATH_complexity_of_hypothesis.ipynb
  97. (2023/5/18) Binet-Cauchyの公式とか: notebooks/LA_matrix_determinant.ipynb
  98. (2023/5/19) VC次元の続き: notebooks/MATH_complexity_of_hypothesis.ipynb
  99. (2023/5/19) ランクについて: notebooks/LA_matrix_rank.ipynb
  100. (2023/5/21) ラデマッハ複雑度とタラグランドの補題: notebooks/MATH_complexity_of_hypothesis.ipynb
  101. (2023/5/21) 正定値対称行列: notebooks/LA_matrix_definite.ipynb
  102. (2023/5/22) Linear MDPとMDVI: Regularization and Variance-Weighted Regression Achieves Minimax Optimality in Linear MDPs: Theory and Practice
  103. (2023/5/24) 制約付きMDP（OptCMDP）: notebooks/RL_CMDP_explore_exploit_LP.ipynb
  104. (2023/5/24) Schur標準形、Rayleigh商: notebooks/LA_matrix_definite.ipynb
  105. (2023/5/25) 有限ホライゾンでの線型計画法: notebooks/RL_Convex_as_LP_finite_horizon.ipynb
  106. (2023/5/25) OptCMDPの実装: notebooks/RL_CMDP_explore_exploit_LP.ipynb
  107. (2023/5/27) ベクトル空間: notebooks/LA_vector_space.ipynb
  108. (2023/5/28) 計量、内積: notebooks/LA_vector_space.ipynb
  109. (2023/5/28) 標準形: notebooks/LA_normal_form.ipynb
  110. (2023/5/29) PAC-Bayes: notebooks/MATH_PAC_Bayes.ipynb
  111. (2023/5/29) Stabilityと汎化誤差バウンド: notebooks/MATH_PAC_stability.ipynb
  112. (2023/5/30) 階数標準形の実装: notebooks/LA_normal_form.ipynb
  113. (2023/5/31) 制約違反なしのCMDP: notebooks/RL_CMDP_explore_exploit_LP.ipynb
  114. (2023/6/01) 整数行列: notebooks/LA_integer_matrix.ipynb
  115. (2023/6/01) 行列形式の有限ホライゾンでのLP: notebooks/RL_Convex_as_LP_finite_horizon.ipynb
  116. (2023/6/02) 双対法によるCMDPの解法: notebooks/RL_CMDP_dual.ipynb
  117. (2023/6/06) ロバスト最適化: notebooks/OPT_robust_optimization.ipynb
  118. (2023/6/07) 行列形式の有限ホライゾンでのLP（主問題）: notebooks/RL_Convex_as_LP_finite_horizon.ipynb
  119. (2023/6/08) 凸最適化としてのロバストMDP: notebooks/RL_robust_MDP_convex..ipynb
  120. (2023/6/08) 制約付きMDPと強双対性: notebooks/RL_CMDP_zero_duality_gap.ipynb
  121. (2023/6/09) 占有率の集合の凸性: notebooks/RL_occupancy_measure.ipynb
  122. (2023/6/11) ロバストMDPの理論（正則化との関係）: notebooks/RL_robust_MDP_and_regularization.ipynb
  123. (2023/6/12) 線形計画法のContraction Lemmaによる変形の注記: notebooks/RL_Convex_as_LP.ipynb
  124. (2023/6/13) 最適化と双対問題：notebooks/CVX_duality.ipynb
  125. (2023/6/14) ロバストMDPでの完全双対性について文献の補足　：notebooks/RL_Convex_as_LP_finite_horizon と notebooks/RL_robust_MDP
  126. (2023/6/15) 劣勾配法: notebooks/OPT_subgradient.ipynb
  127. (2023/6/16) 勾配法: notebooks/OPT_gradient.ipynb
  128. (2023/6/21) ロバストMDPと確率的制約: notebooks/OPT_robust_chance_constraint.ipynb
  129. (2023/7/01) 制約付き最適化（最適性条件）: notebooks/OPT_constraint.ipynb
  130. (2023/7/05) 感度解析: notebooks/CVX_sensitivity_analysis.ipynb
  131. (2023/7/06) ロバストMDPにおけるRectangularity: notebooks/RL_robust_rectangularity.ipynb
  132. (2023/7/12) Danskinの定理: notebooks/CVX_Danskin_theorem.ipynb
  133. (2023/7/13) 凸関数は連続: notebooks/CVX_convex_functions.ipynb
  134. (2023/7/24) 制約付きMDPとラグランジュ関数（途中）: notebooks/RL_CMDP_Lagrange.ipynb
  135. (2023/7/25) 制約付きMDPとラグランジュ関数: notebooks/RL_CMDP_Lagrange.ipynb
  136. (2023/7/29) 連合Q学習: notebooks/RL_federated_Q.ipynb
  137. (2023/7/30) PACベイズ制御: notebooks/CONTROL_PAC_Bayes.ipynb
  138. (2023/8/04) 制約付きMDPと強双対性（修正）: notebooks/RL_CMDP_zero_duality_gap.ipynb
  139. (2023/8/07) ロバストMDPと強双対性: notebooks/RL_robust_MDP_zero_duality.ipynb
  140. (2023/8/11) 凸ではない価値関数: notebooks/RL_value_function.ipynb
  141. (2023/8/15) PACベイズとメタ学習: notebooks/MATH_PAC_Bayes_Meta_Learning.ipynb
  142. (2023/8/16) 色々なMinimax双対定理と証明: notebooks/MATH_minimax_theorems.ipynb
  143. (2023/8/17) FanのMinimax定理について: notebooks/MATH_minimax_theorems.ipynb
  144. (2023/8/20) Minimax双対性の必要条件と十分条件について: notebooks/MATH_minimax_conditions.ipynb
  145. (2023/8/21) バリア関数法: notebooks/MATH_barrier_function_method.ipynb
  146. (2023/8/24) ロバストMDPとNP困難: notebooks/RL_robust_MDP_NP_hard.ipynb
  147. (2023/8/25) Policy searchとNP困難: notebooks/RL_Policy_search_NP_hard.ipynb
  148. (2023/8/26) 凸ではない価値関数について追記: notebooks/RL_value_function.ipynb
  149. (2023/8/28) マルチタスク模倣学習と表現学習: notebooks/RL_multi_task_imitation_learning.ipynb
  150. (2023/8/30) MDPにおける安全な探索: notebooks/RL_CMDP_safe_exploration.ipynb
  151. (2023/9/01) CMDPにおける動的計画法: notebooks/RL_CMDP_by_DP.ipynb
  152. (2023/9/03) CMDPにおける動的計画法（non-stationary）: notebooks/RL_CMDP_by_DP_non_stationary.ipynb
  153. (2023/9/04) CMDPにおける動的計画法（non-stationary）の修正: notebooks/RL_CMDP_by_DP_non_stationary.ipynb
  154. (2023/9/08) 制約付きMDPと強双対性（エントロピー）: notebooks/RL_CMDP_zero_duality_gap_entropy.ipynb
  155. (2023/9/15) 整数計画問題とNP困難: notebooks/MATH_integer_programming_is_NP_hard.ipynb
  156. (2023/9/16) CMDPの実行可能解を見つけるのはNP困難: notebooks/RL_CMDP_feasibility_NP_hard.ipynb
  157. (2023/9/17) CMDPの実行可能解を見つけるのはNP困難（更新）: notebooks/RL_CMDP_feasibility_NP_hard.ipynb
  158. (2023/9/24) LQR: notebooks/RL_LQR.ipynb
  159. (2023/9/25) LQRと半正定値計画問題: notebooks/RL_LQR_as_SDP.ipynb
  160. (2023/9/25) 制約付きLQR: notebooks/RL_LQR_safe.ipynb
  161. (2023/9/28) Mean-Variance MDPとNP困難: notebooks/RL_mean_variance_MDP_NP_hard.ipynb
  162. (2023/9/28) Domain-Randomizationの数理（途中）: notebooks/RL_multi_task_domain_randomization.ipynb
  163. (2023/9/29) Convex MDPについて: notebooks/RL_Convex_MDP.ipynb
  164. (2023/10/1) LQRの方策勾配法: notebooks/RL_LQR_policy_gradient.ipynb
  165. (2023/10/1) 線形システムにおけるSystem Level Synthesis: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  166. (2023/10/1) LQRによる経路追従（途中で諦め）: notebooks/RL_LQR_path_tracking.ipynb
  167. (2023/10/2) LQRにおけるダイナミクスの推定とロバストな制御: notebooks/RL_LQR_estimation_and_robustness.ipynb
  168. (2023/10/3) 文脈付きMDP: notebooks/RL_multi_task_contextual_MDP.ipynb
  169. (2023/10/4) マルチタスク強化学習: notebooks/RL_multi_task.ipynb
  170. (2023/10/4) Latent MDP: notebooks/RL_multi_task_latent_MDP.ipynb
  171. (2023/10/4) マルチタスクMDPにおける文脈の推定: notebooks/RL_multi_task_context_identification.ipynb
  172. (2023/10/8) LQRの便利な関数: notebooks/RL_LQR_utils.ipynb
  173. (2023/10/9) System Level Synthesisの導出について: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  174. (2023/10/10) Robust System Level Synthesis: notebooks/RL_LQR_robust_synthesis.ipynb
  175. (2023/10/13) System Level Synthesisの説明: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  176. (2023/10/16) SLSによるH∞制御: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  177. (2023/10/16) SLSによるロバスト制御: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  178. (2023/10/16) SLSによるノイズあり制約付き制御: notebooks/RL_LQR_SLS_finite_horizon.ipynb
  179. (2023/10/18) RLにおける汎化の難しさ: notebooks/RL_multi_task_generalization_intractable.ipynb
  180. (2023/10/18) 観測だけからの模倣学習: notebooks/RL_imitation_from_observation.ipynb
  181. (2023/10/18) 報酬設計によるサンプル効率の向上: notebooks/RL_reward_shaping.ipynb
  182. (2023/10/19) 平均報酬強化学習: notebooks/RL_AverageReward.ipynb
  183. (2023/10/20) 強化学習とリプシッツ連続: notebooks/RL_Continuous_Lipschitz.ipynb
  184. (2023/10/24) RLHFの理論: notebooks/RL_RLHF.ipynb
  185. (2023/10/25) データソースが複数ある場合のオフライン強化学習: notebooks/RL_offline_perturbed_data.ipynb
  186. (2023/10/26) データを利用したロバスト最適化（微妙）: notebooks/OPT_robust_learning_uncertainty_set_deprecated.ipynb
  187. (2023/10/29) データを利用したロバスト最適化: notebooks/OPT_robust_learning_based.ipynb
  188. (2023/11/1) カーネル強化学習: notebooks/RL_Continuous_Kernel.ipynb
  189. (2023/11/3) Bellman rank: notebooks/RL_General_Bellman_rank.ipynb
  190. (2023/11/3) モデルフリー平均報酬強化学習: notebooks/RL_AverageReward_model_free.ipynb
  191. (2023/11/3) Bilinear class: notebooks/RL_Bilinear_class.ipynb
  192. (2023/11/4) 制約違反なしのCMDP: notebooks/RL_CMDP_zero_constraint_violation.ipynb
  193. (2023/11/5) Witness rank: notebooks/RL_witness_rank.ipynb
  194. (2023/11/6) RLとFenchel Rockafellar双対性とDICE: notebooks/RL_Convex_Fenchel_Duality_and_DICE.ipynb
  195. (2023/11/7) 制約違反なしのCMDPの証明の続き（まだ途中）: notebooks/RL_CMDP_zero_constraint_violation.ipynb
  196. (2023/11/8) RLの証明で便利な定理: notebooks/RL_useful_lemma.ipynb
  197. (2023/11/8) CMDPでの探索の証明の修正: notebooks/RL_CMDP_explore_exploit_LP.ipynb
  198. (2023/11/9) CMDPでの双対法のリグレット: notebooks/RL_CMDP_explore_exploit_dual.ipynb
  199. (2023/11/10) カーネル強化学習のリグレット解析（途中）: notebooks/RL_Continuous_Kernel.ipynb
  200. (2023/11/16) 一様PAC: notebooks/RL_uniform_PAC.ipynb
  201. (2023/11/19) CMDPでの主双対法のリグレット: notebooks/RL_CMDP_explore_exploit_primal_dual.ipynb
  202. (2023/11/19) CMDPでのLast-iterate-convergence: notebooks/RL_CMDP_last_iterate_convergence.ipynb
  203. (2023/11/20) 一様PACのアルゴリズムの続き: notebooks/RL_uniform_PAC.ipynb
  204. (2023/11/23) 裾確率とSubgaussian: notebooks/PROB_sub_gaussian.ipynb
  205. (2023/11/23) 一様な集中不等式について: notebooks/MATH_uniform_concentration_inequality.ipynb （むずくて全然読めてない．TODO）
  206. (2023/11/24) 一様PACの証明: notebooks/RL_uniform_PAC.ipynb
  207. (2023/11/25) Last-iterate-convergenceの証明の補足: notebooks/RL_CMDP_last_iterate_convergence.ipynb
  208. (2023/11/28) CMDPでのアルゴリズム（DOPE）: notebooks/RL_CMDP_DOPE.ipynb
  209. (2023/12/01) Bilinear Classの一般化: notebooks/RL_Extended_Bilinear_class.ipynb
  210. (2023/12/05) CMDPでの主双対法の実装: notebooks/RL_CMDP_explore_exploit_primal_dual.ipynb
  211. (2023/12/29) 統計的学習理論の修正: notebooks/MATH_statistical_learning_theory.ipynb
  212. (2023/12/30) 実現可能と仮説集合が無限の統計的学習理論: notebooks/MATH_statistical_learning_theory.ipynb
  213. (2024/01/11) バンディットとEluder dimension: notebooks/BANDIT_General_Eluder_dimension.ipynb
  214. (2024/01/12) RLとEluder dimension: notebooks/RL_General_Eluder_dimension.ipynb
  215. (2024/01/25) Lagrange法と正則化: notebooks/RL_CMDP_Lagrange_regularization.ipynb
  216. (2024/01/29) モデルベースのEluder dimension: notebooks/RL_General_Eluder_dimension.ipynb
  217. (2024/01/31) Bellman Eluder dimension: notebooks/RL_General_Eluder_dimension.ipynb
  218. (2024/02/01) Strong dualityの証明：notebooks/CVX_duality.ipynb
  219. (2024/02/02) Slater条件とSionのMinimax定理について補足：notebooks/CVX_duality.ipynb
  220. (2024/02/03) Decision Estimation Coefficient：notebooks/RL_General_DEC.ipynb
  221. (2024/02/04) E2Dアルゴリズム：notebooks/RL_General_DEC.ipynb
  222. (2024/02/07) バンディットとEluder dimensionの修正：notebooks/BANDIT_General_Eluder_dimension.ipynb
  223. (2024/02/10) 動的計画法の入門スライド：slides/RL_DP_introduction.ipynb
  224. (2024/02/10) 動的計画法の入門ノートブック：notebook/RL_Exercise_DP.ipynb
  225. (2024/02/13) 強化学習とABCクラス：notebook/RL_General_ABC_class.ipynb
  226. (2024/02/14) ABCクラスの証明の修正：notebook/RL_General_ABC_class.ipynb
  227. (2024/02/15) GOLFアルゴリズムとその証明：notebook/RL_General_Eluder_dimension.ipynb
  228. (2024/02/21) 平均報酬とTUCRLアルゴリズム（途中）：notebook/RL_AverageReward_TUCRL.ipynb
  229. (2024/02/21) 平均報酬とUCRL2アルゴリズム（途中）：notebook/RL_AverageReward_UCRL2.ipynb
  230. (2024/03/1) Bellman Eluder dimensionの証明の続き: notebooks/RL_General_Eluder_dimension.ipynb
  231. (2024/03/2) 強化学習のサンプル効率の下界（修正）：notebooks/RL_LowerBound_statistical_limits.ipynb
  232. (2024/03/6) Foundation of RLの翻訳：notebooks/RL_General_Foundation_of_RL.ipynb
  233. (2024/03/7) Foundation of RLの翻訳：notebooks/RL_General_Foundation_of_RL.ipynb
  234. (2024/03/10) 平均報酬強化学習: notebooks/RL_AverageReward.ipynb
  235. (2024/03/11) Low Inherent Bellman Error: notebooks/RL_General_linear_Bellman_completeness.ipynb
  236. (2024/03/13) Bellman rankとBilinear classの例の補足
  237. (2024/03/14) マルコフ連鎖の用語について: notebooks/RL_AverageReward.ipynb
  238. (2024/03/15) Bellman completenessと$\pi$-realizableの関係の証明: notebooks/RL_General_linear_Bellman_completeness.ipynb
  239. (2024/03/17) Safe RLの安全性いろいろ: notebooks/RL_CMDP_general_safe_problem.ipynb
  240. (2024/03/19) モデルフリーの下界について追記: notebooks/RL_General_witness_rank.ipynb
  241. (2024/03/20) モデルフリーの下界の証明: notebooks/RL_General_witness_rank.ipynb
  242. (2024/03/20) モデルベース・方策ベース・価値ベースのrealizabilityについて（途中）: notebooks/RL_Model_based_vs_Model_free.ipynb
  243. (2024/04/01) Safe RLの安全性いろいろの追記: notebooks/RL_CMDP_general_safe_problem.ipynb
  244. (2024/04/05) RLにおける正則化と最適化について: notebooks/RL_Convex_regularized_optimization.ipynb
  245. (2024/04/11) ノルム線形空間: notebooks/LA_normed_linear_space.ipynb
  246. (2024/04/12) ガウス＝ザイデル価値反復法: notebooks/RL_Gauss_Seidel_VI.ipynb
  247. (2024/04/12) occupancy measureとnon-markovianな方策: notebooks/RL_occupancy_measure.ipynb
  248. (2024/04/16) V-Bellman rankについて追記: notebooks/RL_General_Bellman_rank.ipynb
  249. (2024/05/01) 有界でない報酬や状態でのValue Iteration （途中）: notebooks/RL_value_unbounded.ipynb
  250. (2024/05/04) R-contamination モデルは割引率を下げたものと一緒: notebooks/RL_robust_R_contamination.ipynb
  251. (2024/05/04) SA-rectangular Robust MDPでの方策勾配（途中）: notebooks/RL_robust_sa_gradient.ipynb
  252. (2024/05/06) TODO: RL_useful_lemmaの整理
  253. (2024/05/07) Mirror descentとSimulation lemma : notebooks/RL_useful_lemma/Mirror_descent.ipynb と notebooks/RL_useful_lemma/RL_simulation_lemma.ipynb
  254. (2024/05/10) Mirror descentのマシなバウンド: notebooks/RL_useful_lemma/Mirror_descent.ipynb
  255. (2024/05/13) Soft NPGの収束: notebooks/RL_PolicyGrad_convergence_rate.ipynb
  256. (2024/05/14) ロバストMDPでの自然方策勾配: notebooks/RL_robust_sa_gradient.ipynb
  257. (2024/05/22) R-contamination モデルは割引率を下げたものと一緒 の補足: notebooks/RL_robust_R_contamination.ipynb
  258. (2024/05/23) 方策勾配法の収束について: notebooks/RL_PolicyGrad_convergence_rate.ipynb とnotebooks/RL_useful_lemma/Optimization_standard.ipynb
  259. (2024/05/24) 全微分とフレシェ微分: notebooks/OPT_gradient.ipynb
  260. (2024/05/26) ペナルティ関数法: notebooks/OPT_constraint.ipynb
  261. (2024/05/26) ロバスト方策勾配法の収束: notebooks/RL_robust_policy_gradient.ipynb
  262. (2024/05/28) ラデマッハ複雑度と仮説集合: notebooks/MATH_Generalization_infinite_hypothesis_Rademacher.ipynb
  263. (2024/05/28) 正則化された仮説集合のラデマッハ複雑度: notebooks/MATH_Generalization_L2_L1_regularization.ipynb
  264. (2024/05/31) ロバスト方策勾配法の収束の改善: notebooks/RL_robust_policy_gradient.ipynb
  265. (2024/05/31) 弱凸性とモーロー包: notebooks/CVX_weakly_convex_and_Moreau_envelope.ipynb
  266. (2024/06/01) ロバスト方策勾配法の収束の改善: notebooks/RL_robust_policy_gradient.ipynb
  267. (2024/06/03) SVMの汎化誤差: notebooks/MATH_Generalization_margin_loss_and_SVM.ipynb
  268. (2024/06/12) 他クラス分類の汎化誤差: notebooks/MATH_Generalization_multi_class_classification.ipynb
  269. (2024/06/16) 方策勾配法の導出: notebooks/RL_PolicyGrad_convergence_rate.ipynb
  270. (2024/06/18) 勾配ブースティング: notebooks/MATH_Generalization_Boosting.ipynb
  271. (2024/06/25) NNの汎化誤差解析: notebooks/MATH_Generalization_NN.ipynb
  272. (2024/07/02) 位相空間，開集合，etc: notebooks/MATH_FA_basic.ipynb
  273. (2024/07/10) 位相線形空間: notebooks/MATH_FA_linear_topological_space.ipynb
  274. (2024/07/20) （途中）近接勾配法: notebooks/OPT_smooth_proximal_gradient.ipynb
  275. (2024/07/28) （途中）大数の法則，中心極限定理: notebooks/PROB_low_of_large_numbers.ipynb
  276. (2024/08/04) （途中）一般化微分: notebooks/OPT_generalized_gradient.ipynb
  277. (2024/08/11) CMDPにおける混合方策のアプローチについて: notebooks/RL_CMDP_mixed_policy.ipynb
  278. (2024/08/15) RMDPの最適解について: notebooks/RL_robust_MDP_stationary_and_randomized.ipynb
  279. (2024/08/19) softmaxの方策勾配について: notebooks/RL_PolicyGrad_softmax_convergence.ipynb
  280. (2024/08/20) 確率的方策勾配について: notebooks/RL_PolicyGrad_baseline.ipynb
  281. (2024/08/22) RLのスイッチングコストについて: notebooks/RL_switching_cost_model-free.ipynb
  282. (2024/08/30) Puterman本のメモ: notebooks/RL_Puterman_memo.ipynb
  283. (2024/09/2) 行列の極限（途中）: notebooks/RL_Puterman_memo.ipynb
  284. (2024/09/5) Ergodicな場合の平均報酬強化学習: notebooks/RL_AverageReward_model_free.ipynb
  285. (2024/09/6) Weakly Communicatingな場合の平均報酬強化学習: notebooks/RL_AverageReward_model_free.ipynb
  286. (2024/09/8) 平均報酬強化学習とバイアス: notebooks/RL_AverageReward.ipynb
  287. (2024/09/9) TUCRLアルゴリズムの補足: notebooks/RL_AverageReward_TUCRL.ipynb
  288. (2024/09/13) KL uncertainty setの実装: notebooks/RL_robust_MDP.ipynb
  289. (2024/10/10) RLのスイッチングコストのリグレットバウンド: notebooks/RL_switching_cost_model-free.ipynb
  290. (2024/10/12) 価値反復法のイテレーション複雑度: notebooks/RL_VI_vs_PI.ipynb
  291. (2024/10/13) モデルベースlinear MDPのリグレット解析: notebooks/RL_General_linearMDP-Model-based.ipynb
  292. (2024/10/14) 行列積とノルムのバウンド: notebooks/RL_General_linearMDP-Model-based.ipynb
  293. (2024/11/19) Occupancy basedな方策勾配法: notebooks/RL_PolicyGrad_occupancy.ipynb
  294. (2024/11/20) モーメントとモーメント母関数: notebooks/PROB_moment.ipynb
  295. (2024/11/23) 分布的ロバスト最適化: notebooks/OPT_robust_distributionally.ipynb
  296. (2024/11/26) 線形MDPでの切り替えコスト: notebooks/RL_switching_cost_linear-MDP.ipynb
  297. (2024/11/27) 切り替え回数のバウンドの証明: notebooks/RL_switching_cost_linear-MDP.ipynb
  298. (2024/11/28) 平均報酬の方策勾配（途中）: notebooks/RLRL_AverageReward_policy-grad.ipynb

分野別のNotebook一覧

線形代数

関数解析

確率論入門

凸最適化

最適化

逐次意思決定問題

ニューラルネットワーク

数学

読むべき論文リスト：

わからなかったところ

  • (2023/2/27-28) 探索の理論 (UCB-VI編): notebooks/BANDIT_UCB_regret_proof.ipynb
    • UCBのボーナスが大きすぎるとボーナスが優先されてしまうが、こういう理論はあるのかな？
    • 途中のHolderの不等式をなんで使うのかがわからん
    • やっぱ$f$を$H^S$でUnion Bound取るのよくわかんないな... Hoeffdingでやるだけじゃ駄目なのか？
      • これは$\widehat{P}h^k$と$\widehat{V}{h+1}^{\pi^k}$が独立ではないのが原因。$\widehat{P}_h^k$と$P_h^\star$をバウンドすると、余分な$\sqrt{S}$が出てくるよ。
      • Near-optimal Regret Bounds for Reinforcement Learningの式（４４）あたりが参考になるかも。ただ、Hoeffding+Sについての和を考えても出る気がする。
  • (2023/3/8) ロバストMDP: notebooks/RL_robust_MDP.ipynb
    • ロバストRLがちゃんと機能しているかの評価方法はどうするべき？
  • (2023/3/14) 模倣学習: notebooks/RL_imitation_learning.ipynb
    • $\mathbb{E}{s \sim d^{\pi^{\star}}}\left|\widehat{\pi}(\cdot \mid s)-\pi^{\star}(\cdot \mid s)\right|{T V}^2 \leq \frac{2 \log (|\Pi| / \delta)}{M}$ の証明ができなかった。Empirical Processes in M-Estimationに証明あるかも。
    • エントロピー最大化逆強化学習ではエントロピーを入れることに必然性があったきがする。探しておこう。
    • AggreVateのリグレットの証明
    • AggreVateはもっと良い実装方法ないかな？計算コストが高すぎるかも。
  • (2023/3/22) 強化学習のサンプル効率の下界：notebooks/RL_LowerBound_statistical_limits.ipynb
    • 意外と行列の性質の理解が曖昧。（$|\phi(s, a)|2 \leq 1$なので$\sigma{\min }\left(\mathbb{E}_{(s, a) \sim \widetilde{\mu}_h}\left[\phi(s, a) \phi(s, a)^{\top}\right]\right)$が成り立つためです）。これとか微妙。

About

勉強した内容のアウトプット用

Resources

Readme
Activity

Stars

45 stars

Watchers

3 watching

Forks

3 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages