在谷歌最新的論文中，研究人員提出了“非政策強化學習”算法OPC，它是強化學習的一種變體，它能夠評估哪種機器學習模型將產生最好的結果。數據顯示，OPC比基線機器學習算法有著顯著的提高，更加穩健可靠。

在谷歌AI研究團隊一篇新發表的論文《通過非政策分類進行非政策評估》（Off-PolicyEvaluation via Off-Policy Classification）和博客文章中，他們提出了所稱的“非政策分類”，即OPC（off-policy classification）。它能夠評估AI的表現，通過將評估視為一個分類問題來驅動代理性能。

研究人員認為他們的方法是強化學習的一種變體，它利用獎勵來推動軟件政策實現與圖像輸入協同工作這個目標，并擴展到包括基于視覺的機器人抓取在內的任務。

“完全脫離政策強化學習是一種變體。代理完全從舊數據中學習，對于工程師來說這是很有吸引力的，因為它可以在不需要物理機器人的情況下進行模型迭代。”

Robotics at Google（專注機器學的的谷歌新團隊）的軟件工程師Alexa Irpan寫道，“完全脫離政策的RL，可以在先前代理收集的同一固定數據集上訓練多個模型，然后選擇出最佳的那個模型。”

但是OPC并不像聽起來那么容易，正如Irpan在論文中所描述的，非政策性強化學習可以通過機器人進行人工智能模型培訓，但不能進行評估。并且在需要評估大量模型的方法中，地面實況評估通常效率太低。

OPC在假設任務狀態變化方面幾乎沒有隨機性，同時假設代理在實驗結束時用“成功或失敗”來解決這個問題。兩個假設中第二個假設的二元性質，允許為每個操作分配兩個分類標簽（“有效”表示成功或“災難性”表示失敗）。

另外，OPC還依賴Q函數（通過Q學習算法學習）來估計行為的未來總回報。代理商選擇具有最大預期回報的行動，其績效通過所選行動的有效頻率來衡量（這取決于Q函數如何正確地將行動分類為有效與災難性），并以分類準確性作為非政策評估分數。

（左圖為基線，右圖為建議的方法之一，SoftOpC）

谷歌AI團隊使用完全非策略強化學習對機器學習策略進行了模擬培訓，然后使用從以前的實際數據中列出的非策略分數對其進行評估。

在機器人抓取任務時，他們報告OPC的一種變體SoftOPC在預測最終成功率方面表現最佳。假設有15種模型（其中7種純粹在模擬中訓練）具有不同的穩健性，SoftOPC產生的分數與與真正的抓取成功密切相關，并且相比于基線方法更加穩定可靠。

在未來的研究中，研究人員打算用“噪聲”（noisier）和非二進制動力學來探索機器學習任務。“我們認為這個結果有希望應用于許多現實世界的RL問題，”Irpan在論文結尾寫道。