Enquanto os métodos on-policy aprendem seguindo e aprimorando a mesma política, os métodos off-policy introduzem uma diferença: eles aprendem sobre uma política (a política alvo) enquanto seguem outra (a política de comportamento). Essa separação é poderosa — permite avaliar ou melhorar uma política alvo sem a necessidade de realmente segui-la durante a coleta de dados.

Analogia

Vamos voltar à sorveteria do capítulo anterior. Você e seu amigo entram, e novamente, os três sabores familiares estão disponíveis: chocolate, baunilha e morango. Chocolate é o seu favorito pessoal, e seu primeiro instinto é pedi-lo. Mas esta sorveteria é nova para você, e você não tem certeza se escolher chocolate é a melhor opção. Felizmente, seu amigo é um grande apreciador de sorvetes que já visitou quase todas as sorveterias da cidade. Você pede a opinião dele. "O chocolate aqui é razoável," ele diz, "mas confie em mim — o morango é excepcional." Então, com base na experiência dele, você decide deixar de lado sua escolha habitual e optar pelo morango.

Essa decisão — confiar na experiência de outra pessoa para guiar sua própria escolha — é a essência dos métodos off-policy. Você está tentando aprimorar sua tomada de decisão utilizando dados coletados sob o comportamento de outro agente. Ainda é exploração — mas é guiada por experiência externa em vez da sua própria.

Amostragem de Importância

Como o agente segue a política de comportamento durante a geração dos episódios, é necessário considerar a diferença entre o que a política de comportamento gera e o que a política alvo geraria. É aqui que a amostragem de importância entra em cena.

A amostragem por importância fornece um método para ajustar os retornos observados sob a política de comportamento, tornando-os estimativas válidas para a política alvo.

Vamos analisar uma trajetória que começa em determinado estado $S_t$ e segue uma política $\pi$ até o episódio terminar em um tempo $T$. Especificamente, observamos:

Qual é a probabilidade dessa trajetória ocorrer sob uma política $\pi$? Ela depende tanto das probabilidades de ação da política quanto da dinâmica de transição do ambiente:

Agora, suponha que a trajetória foi realmente gerada por uma política diferente — a política de comportamento $b$. Para utilizar corretamente essa trajetória na estimativa de expectativas sob a política alvo $\pi$, é necessário considerar o quanto essa sequência de ações seria mais ou menos provável sob $\pi$ em comparação com $b$.

É aqui que entra a razão de amostragem por importância. Ela é definida como a probabilidade relativa da trajetória sob as duas políticas:

No final, as probabilidades de transição se cancelam, já que ambas as políticas operam no mesmo ambiente, e o valor de $\rho$ depende apenas das políticas, não do ambiente.

Por que isso é importante

A razão $\rho$ indica como reponderar o retorno $G_t$ observado sob a política de comportamento para que se torne uma estimativa não viesada do que o retorno teria sido sob a política alvo:

Ou seja, mesmo que os dados tenham sido coletados usando $b$, ainda é possível estimar os retornos esperados sob $\pi$ — desde que $b$ atribua probabilidade diferente de zero para toda ação que $\pi$ possa tomar (suposição de cobertura).

Considerações Práticas

Variância do Amostragem por Importância

A incorporação da amostragem por importância é conceitualmente simples. Ajusta-se a função valor de ação estimada $q(s, a)$ ponderando cada retorno observado com a razão de amostragem por importância correspondente. A formulação mais simples é a seguinte:

onde:

• $\rho_i(s, a)$ é a razão de amostragem por importância para a $i$-ésima trajetória iniciando em $(s, a)$;
• $Returns_i(s, a)$ é o retorno dessa trajetória;
• $N(s, a)$ é o número de vezes que $(s, a)$ foi visitado.

Isso é conhecido como amostragem por importância ordinária. Fornece uma estimativa não tendenciosa de $q(s, a)$, mas pode apresentar variância muito alta, especialmente quando as políticas de comportamento e alvo diferem significativamente.

Para mitigar o problema da variância, pode-se utilizar uma alternativa mais estável: amostragem por importância ponderada. Este método normaliza os pesos de importância, reduzindo o impacto de razões elevadas e levando a um aprendizado mais estável:

Nesta versão, o numerador é a mesma soma ponderada dos retornos, mas o denominador agora é a soma dos pesos de importância, em vez de uma simples contagem.

Isso torna a estimativa tendenciosa, mas o viés diminui à medida que mais amostras são coletadas. Na prática, a amostragem por importância ponderada é preferida devido à sua variância significativamente menor e maior estabilidade numérica.

Políticas

Assim como no caso on-policy, utilizam-se políticas $\varepsilon$-gananciosas tanto para a política alvo $\pi(a | s)$ quanto para a política de comportamento $b(a | s)$.

À primeira vista, parece natural tornar a política alvo totalmente gananciosa — afinal, nosso objetivo final é uma política gananciosa. Na prática, porém, isso causa um grande problema: se em algum passo $\pi(a | s) = 0$ para a ação realmente tomada pela política de comportamento, a razão de amostragem por importância $\rho$ se torna zero e o restante do episódio é efetivamente descartado.

Ao utilizar um pequeno $\varepsilon$ (por exemplo, $\varepsilon = 0.01$) na política alvo, garantimos que $\pi(a | s) > 0$ para toda ação, de modo que $\rho$ nunca colapse para zero no meio do episódio. Após o treinamento, é trivial converter a política $\varepsilon$‑gananciosa aprendida em uma política estritamente gananciosa. Assim como no aprendizado on-policy, deve-se utilizar decaimento de $\varepsilon$ na política de comportamento, mas desta vez principalmente por estabilidade numérica, já que $\rho$ ainda pode cair para zero durante o episódio, devido à forma como os números são representados em computadores.

Pseudocódigo