发表时间：2021（ICML 2021）
文章要点：这篇文章想说，通常强化都有一个policy网络一个value网络，这两部分要么分开训两个网络，要么合到一起作为一个网络的两个头。分开的好处是policy和value互相不会影响，合到一起的好处是feature是共享的，训练的时候相互之间会帮助训练。另一个观察到的现象是value function通常可以训练更多次，policy function通常只能更新少数几次，分开的好处就是policy和value的训练次数可以分开设置了。作者的想法是，既想共用feature，又不想policy和value之间互相影响彼此。作者提出了Phasic Policy Gradient (PPG)算法，将训练分成两个阶段，第一个阶段（policy phase）训练policy和value，第二个阶段（auxiliary phase）从value function里蒸馏feature。
具体的，PGG有两个网络，一个policy一个value，不过policy的网络也还有一个value的头，用来作为辅助任务来蒸馏value网络的feature。policy phase的训练和PPO一样，只不过policy和value是分开的网络了。优化policy的损失clipped surrogate objective
以及value的损失
注意这两部分是分开的，所以他俩可以更新不同次数。
然后auxiliary phase的训练任务就是设置辅助任务提取feature，同时保证policy头尽可能不变
这里的辅助任务其实就是让policy network的value头和value network接近
整个算法伪代码如下
就结束了。其他的就是调参了，看分别训练多少次效果最好。最后作者还尝试了一下用一个网络，通过冻结梯度的方式来分成两个训练阶段，然后说效果也比PPO好。
总结：感觉没啥创新，而且效果看起来也就那样吧，一共就跑了3个种子，什么结果都有可能。之前好像读了篇文章引了这个文章，也是这个路子，只不过分开的网络是value，合起来那个分支是advantage（Decoupling Value and Policy for Generalization in Reinforcement Learning）。另外，这篇文章告诉我们的道理就是，不要自己怀疑自己，就是一坨屎也要把它做出来，说不定就中了呢。
疑问：无。