Notes/机器学习/深度学习模型/2-序列模型/1-Transformer-架构与工程/3-Decision-Transformer.md

title, draft, tags

title	draft	tags
3-Decision Transformer	false	Decision-Transformer 序列决策 强化学习 Transformer

Decision Transformer: 将强化学习视为序列建模

Author: 深度学习与强化学习交叉领域研究员 Date: 2026-05-14

---

1. 背景：从 RL 到序列建模

1.1 传统强化学习的问题

传统强化学习方法主要分为两大类：基于值函数的方法（Value-Based）和基于策略梯度的方法（Policy Gradient）。这些方法虽然取得了显著成功，但在实际应用中面临诸多挑战。

1.1.1 On-Policy 限制

On-Policy 学习的核心问题在于：智能体必须使用当前策略收集的样本进行学习。这导致了严重的样本效率问题：

\theta_{\text{new}} = \theta_{\text{old}} + \alpha \nabla_\theta J(\theta_{\text{old}})

其中 J(\theta) 是当前策略 \pi_\theta 下的期望累积回报。On-Policy 算法（如 SARSA、A3C）每更新一次策略，就需要用新策略重新采样，导致大量历史数据被丢弃。

Off-Policy 方法（如 DQN、DDPG）试图重用历史数据，但引入了更复杂的问题。

1.1.2 Bootstrap 导致的误差传播

Temporal Difference (TD) 学习的核心是 bootstrap 思想：

V(s_t) \leftarrow V(s_t) + \alpha \left[ r_t + \gamma V(s_{t+1}) - V(s_t) \right]

然而，bootstrap 导致的价值估计存在误差传播问题。考虑 n 步TD目标：

G_t^{(n)} = r_t + \gamma r_{t+1} + \cdots + \gamma^{n-1} r_{t+n-1} + \gamma^n V(s_{t+n})

当 V(s_{t+n}) 估计不准确时，这个误差会通过 \gamma^n 的系数传播到 V(s_t) 的更新中。在长序列决策中，这种误差累积会导致价值函数的严重高估或低估。

1.1.3 探索-利用权衡与数据分布偏移

Off-Policy 方法还面临数据分布偏移问题：

\pi_{\text{new}}(a|s) \neq \pi_{\text{data}}(a|s)

这意味着用 \pi_{\text{data}} 分布的数据训练的 Q 函数，在 \pi_{\text{new}} 分布下可能完全失效。DQN 的经验回放缓冲区虽然缓解了部分问题，但无法根本解决分布偏移。

1.2 将 RL 问题转化为序列建模问题

核心动机：是否能像语言模型一样，直接通过监督学习的方式训练一个决策智能体？

传统观点认为 RL 与监督学习有本质区别：

• 监督学习：独立同分布（i.i.d.）样本
• 强化学习：序贯决策，后继动作影响未来状态和回报

Decision Transformer 的核心洞察：将 $R$（回报）、$A$（动作）、$S$（状态）视为序列 token，直接用序列建模的方法学习策略。

这借鉴了语言模型的思想：

• 语言模型：P(x_1, x_2, \ldots, x_T) = \prod_{t=1}^T P(x_t \mid x_{<t})
• Decision Transformer：P(A_t \mid S_t, A_{<t}, R_{\leq t}, G_t)

1.3 Decision Transformer 的核心思想

关键创新：用未来期望回报（Return-to-Go）作为条件变量，而非直接优化累积回报。

\text{Sequence} = [S_1, G_1, A_1, R_1, S_2, G_2, A_2, R_2, \ldots, S_T, G_T, A_T, R_T]

\text{Conditioned on: } G_t = \sum_{t'=t}^{T} \gamma^{t'-t} r_{t'}

这样，DT 将条件生成问题（给定当前状态和目标回报，生成最优动作序列）与序列建模问题统一起来。

---

2. Decision Transformer 架构

2.1 输入表征

Decision Transformer 的输入是一个异构序列，由三种不同类型的 token 组成：

Token 类型	含义	维度
S_t	状态嵌入	d_{\text{model}}
A_{t-1}	上一时刻动作	d_{\text{act}}
R_t	时刻 t 的即时回报	d_{\text{return}}
G_t	Return-to-Go（目标回报）	d_{\text{return}}

2.1.1 Return-to-Go 的定义

Return-to-Go G_t 是从时刻 t 到 episode 结束的折扣累积回报：

\boxed{G_t = \sum_{t'=t}^{T} \gamma^{t'-t} r_{t'} = r_t + \gamma r_{t+1} + \gamma^2 r_{t+2} + \cdots + \gamma^{T-t} r_T}

其中 \gamma \in [0, 1] 是折扣因子。DT 离线训练时绝大多数实验默认取 $\gamma = 1$（无折扣返回）。注意：训练集轨迹中存储的 G 是该轨迹的初始全局返回 $G_1$（整条轨迹未来总折扣回报），而非逐时刻独立的 $G_t$；推理时则人为设定固定目标返回 $G_{\text{target}}$ 控制策略行为。

2.1.2 输入序列结构

对于一个长度为 T 的 episode，输入 Decision Transformer 的序列为：

\sigma = \left[ S_1, G_1, A_1, R_1, S_2, G_2, A_2, R_2, \ldots, S_T, G_T, A_T, R_T \right]

注意：每步优先放入当前状态 S_t + 目标回报 $G_t$ 作为条件，再放入动作 A_t 和即时回报 $R_t$。

条件输入：在 t 时刻，模型以 (S_t, G_t) 作为条件，预测动作 $A_t$：

\underbrace{P(A_t \mid S_t, G_t, A_{<t}, R_{\leq t})}_{\text{条件生成}} = \text{DT}(S_t, G_t, A_{<t}, R_{\leq t}; \theta)

2.2 嵌入层设计

由于状态、动作、回报是异构的 token，DT 使用线性投影 + LayerNorm 将它们映射到统一的高维空间：

\mathbf{s}_t = \text{LayerNorm}(W_s \cdot \text{embed}(S_t) + b_s)

\mathbf{a}_t = \text{LayerNorm}(W_a \cdot \text{embed}(A_t) + b_a)

\mathbf{r}_t = \text{LayerNorm}(W_r \cdot \text{embed}(R_t) + b_r)

\mathbf{g}_t = \text{LayerNorm}(W_g \cdot \text{embed}(G_t) + b_g)

对于连续动作（如 \mathbb{R}^n 空间），动作嵌入通过对动作向量的每个维度进行线性投影得到。

2.3 自回归预测

Decision Transformer 采用 causal masking 的 Transformer 架构进行自回归预测：

\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}} + M\right)V

其中 M 是 causal mask，确保位置 i 只能 attend 到位置 \leq i 的信息：

M_{ij} = \begin{cases}
0 & \text{if } j \leq i \\
-\infty & \text{if } j > i
\end{cases}

2.3.1 预测目标

在时刻 $t$，模型接收以下输入：

• 目标回报嵌入：$\mathbf{g}_t$（条件变量）
• 当前状态嵌入：\mathbf{s}_t
• 历史动作：\mathbf{a}_1, \mathbf{a}_2, \ldots, \mathbf{a}_{t-1}
• 历史回报：\mathbf{r}_1, \mathbf{r}_2, \ldots, \mathbf{r}_t

输出为动作 A_t 的预测分布：

\hat{P}_\theta(A_t \mid S_t, G_t, A_{<t}, R_{\leq t}) = \text{Transformer}(\mathbf{s}_t, \mathbf{g}_t, \mathbf{a}_{<t}, \mathbf{r}_{\leq t}; \theta)

2.4 Transformer 架构细节

Decision Transformer 使用标准的 Transformer 解码器架构：

多头自注意力（Multi-Head Attention）：

\text{MHA}(\mathbf{x}) = \text{concat}(\text{head}_1, \ldots, \text{head}_h) W^O

\text{head}_i = \text{Attention}(Q_i, K_i, V_i) = \text{softmax}\left(\frac{Q_i K_i^T}{\sqrt{d_k}}\right) V_i

逐位置前馈网络（Position-wise FFN）：

\text{FFN}(\mathbf{x}) = W_2 \cdot \sigma(W_1 \cdot \mathbf{x} + b_1) + b_2

其中 \sigma 为 ReLU 激活函数。

层归一化（Layer Normalization）：

\text{LayerNorm}(\mathbf{x}) = \gamma \odot \frac{\mathbf{x} - \mu}{\sqrt{\sigma^2 + \epsilon}} + \beta

2.5 推理时的自回归生成

推理阶段，Decision Transformer 采用自回归生成方式：

Input: S_target, G_target
Output: A_1, A_2, ..., A_T

a_1 = sample from DT(S_1, G_1; θ)
s_2 = env.step(a_1)
a_2 = sample from DT(s_2, G_2; θ)
...

其中 G_t 可以是固定的（等于目标回报），也可以根据实际获得的回报动态调整。

---

3. 训练目标与损失函数

3.1 离线数据集上的监督学习目标

Decision Transformer 的训练基于离线数据集 $\mathcal{D}$：

\mathcal{D} = \{(\tau_1, g_1), (\tau_2, g_2), \ldots, (\tau_N, g_N)\}

其中 \tau_i = (s_1, a_1, r_1, s_2, a_2, r_2, \ldots, s_T, a_T, r_T) 是完整轨迹，g_i 是该轨迹的初始目标回报（通常是轨迹的实际累积回报）。

训练目标：给定状态序列、动作序列、回报序列和目标回报，最大化动作预测的对数似然：

\boxed{\mathcal{L}(\theta) = -\mathbb{E}_{(s_{1:T}, a_{1:T}, r_{1:T}, G) \sim \mathcal{D}} \left[ \sum_{t=1}^{T} \log \pi_\theta(a_t \mid s_t, G, a_{<t}, r_{\leq t}) \right]}

3.2 动作预测的交叉熵损失

对于离散动作空间（如 Atari 游戏），动作预测的损失为标准交叉熵：

\mathcal{L}_{\text{action}}^{\text{disc}} = -\sum_{t=1}^{T} \sum_{a \in \mathcal{A}} \mathbb{1}_{a_t = a} \log \hat{p}_\theta(a \mid s_t, G, a_{<t}, r_{\leq t})

其中 \hat{p}_\theta 是模型输出的动作概率分布。

对于连续动作空间（如机器人控制），DT 假设动作服从高斯分布：

\pi_\theta(a_t \mid s_t, \ldots) = \mathcal{N}(\mu_\theta(s_t, \ldots), \sigma^2 I)

损失函数为负对数似然：

\mathcal{L}_{\text{action}}^{\text{cont}} = -\sum_{t=1}^{T} \log \mathcal{N}(a_t; \mu_\theta(s_t, \ldots), \sigma^2 I)

3.3 Return-to-Go 的预测（变体拓展模块，非原生DT）

注意：原版 Chen 2021 Decision Transformer 仅使用动作预测对数似然损失，无返回回报预测辅助损失。以下回归损失是后续改进变体（如 RT-1、Trajectory Transformer 等）新增的拓展模块。

\hat{G}_t = \text{MLP}(\text{Transformer output at position } t)

\mathcal{L}_{\text{return}} = \mathbb{E} \left[ \sum_{t=1}^{T} \| G_t - \hat{G}_t \|^2 \right]

总损失（变体形式）：

\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{action}} + \lambda \cdot \mathcal{L}_{\text{return}}

3.4 与 Behavior Clone（BC）的关系与区别

Behavior Clone 的目标是直接从状态映射到最优动作：

\pi_{\text{BC}}(a \mid s) = \arg\max_{a} P(a \mid s; \theta)

关键区别：

方面	Behavior Clone	Decision Transformer
输入	仅状态 s_t	状态 + 历史上下文 + 目标回报
泛化能力	分布内泛化	可通过目标回报控制策略
误差传播	存在（训练与测试分布偏移）	因果 masking 缓解
回报条件化	无	有（核心创新）

数学上，DT 相比 BC 的优势在于：DT 学习的是条件策略分布 $\pi(a \mid s, G, a_{<t}, r_{\leq t})$，而非边缘分布 $\pi(a \mid s)$。

这使得 DT 能够：

1. 根据不同目标回报生成不同策略
2. 通过历史回报的反馈调整当前决策
3. 更好地处理部分可观测性（通过历史上下文）

---

4. Trajectory Transformer（后续工作）

4.1 将整个轨迹作为序列建模

Trajectory Transformer（TT）是 Decision Transformer 的扩展，其核心思想是：将对单个时间步的预测扩展为对整个轨迹的联合建模。

TT 将轨迹表示为三种 token 的交错序列：

\mathcal{T} = [s_1, a_1, r_1, s_2, a_2, r_2, \ldots, s_T, a_T, r_T]

这与 DT 的结构相似，但 TT 在以下方面有所不同：

• 使用统一的 token 表征
• 同时预测状态、动作和回报
• 采用更细粒度的离散化策略

4.2 状态、动作、回报的离散化

TT 的关键创新是对连续变量进行离散化：

状态离散化：

s_t^{\text{disc}} = \text{Quantize}(s_t; C_s)

其中 C_s 是状态空间的 codebook 大小。TT 使用 k-means 或 RVQ（残差向量量化）对状态进行聚类。

动作离散化：

a_t^{\text{disc}} = \text{Quantize}(a_t; C_a)

对于高维连续动作，TT 沿每个维度独立量化。

回报离散化：

r_t^{\text{disc}} = \text{Quantize}(r_t; C_r)

离散化后的序列建模：

TT 将整个轨迹视为一个 token 序列，使用标准的语言模型目标训练：

\mathcal{L}_{\text{TT}} = -\sum_{t=1}^{3T} \log P(x_t \mid x_{<t}; \theta)

其中 $x_t \in {s^{\text{disc}}, a^{\text{disc}}, r^{\text{disc}}}$。

4.3 与 Decision Transformer 的对比

特性	Decision Transformer	Trajectory Transformer
预测目标	仅动作 A_t	状态、动作、回报联合预测
离散化	连续动作使用嵌入	全部变量量化离散
生成方式	自回归动作生成	可以从任意位置生成
应用场景	离线策略评估与控制	轨迹生成与规划
模型规模	较小（~3层 Transformer）	较大（~12层 Transformer）

4.4 TT 的规划能力

TT 可以通过 beam search 或 采样 进行轨迹规划：

1. 从初始状态 s_1 开始
2. 迭代生成 (a_t, r_t, s_{t+1}) 三元组
3. 评估生成轨迹的累积回报
4. 选择最优轨迹

\hat{\tau} = \arg\max_{\tau \in \text{Generated}} \sum_{t=1}^{T} r_t

---

5. Decision Transformer 的理论分析

5.1 为什么离线数据足够好时 DT 可以超越在线 RL

传统在线 RL 算法面临的核心困境是探索-利用权衡。DT 通过离线训练的方式绕过了这一问题。

离线数据足够好的条件：

设离线数据集 \mathcal{D} 是由某个"专家策略" \pi^* 生成的轨迹：

\mathcal{D} = \{ \tau_i \sim \pi^* \}_{i=1}^N

定理 1（DT 的理论上界）： 假设 \mathcal{D} 覆盖了状态-动作空间的关键区域，且目标回报 G 在数据集的支撑集内，则 DT 学到的策略 \pi_{\text{DT}} 满足：

J(\pi_{\text{DT}}) \geq J(\pi^*) - \underbrace{\epsilon_{\text{approx}} + \epsilon_{\text{gen}} + \epsilon_{\text{return}}}_{\text{误差上界}}

其中：

• $\epsilon_{\text{approx}}$：函数逼近误差
• $\epsilon_{\text{gen}}$：泛化误差（由于分布偏移）
• $\epsilon_{\text{return}}$：回报估计误差

超越在线 RL 的原因：

1. 避免探索开销：DT 不需要在线探索，可以直接利用离线数据中的最优行为
2. 消除 bootstrapping 误差：DT 不进行 TD bootstrap，所有预测都是基于真实回报的监督学习
3. 利用大规模数据：DT 可以利用海量离线数据，而在线 RL 受到样本收集速度的限制

5.2 DT 与 Out-of-Distribution（OOD）泛化的关系

DT 的一个关键设计是回报条件化，这与 OOD 泛化有密切关系。

分布内（ID）vs 分布外（OOD）：

对于传统 RL，智能体在状态 s 下选择动作 $a$，要求 (s, a) 在数据分布内。

对于 DT，给定目标回报 $G$，智能体在状态 s 下选择动作 $a$，条件是 (s, G, a) 在联合分布内。

回报条件化的 OOD 效应：

DT 学到的是条件分布 $P(A \mid S, G)$。当测试时的目标回报 G_{\text{test}} 与训练时的回报分布不同时：

G_{\text{test}} \notin \{ G^{(i)} \mid \tau^{(i)} \in \mathcal{D} \}

这意味着 DT 需要外推到未见过的回报条件。

理论分析：

设 f_\theta(s, g) 是 DT 学到的从 (s, g) 到动作的映射。假设 f 是 g 的线性函数：

f_\theta(s, g) = w_s^T s + w_g^T g + b

则对于 OOD 回报 $g_{\text{new}} = \alpha g_1 + (1-\alpha) g_2$（$\alpha \in [0,1]$），DT 可以通过线性插值进行外推。

经验观察：

实验表明，DT 对回报条件的外推能力有限。当 G_{\text{test}} 显著高于训练数据中的最大回报时，DT 的性能会下降。这提示我们：回报条件化并不能完全解决 OOD 问题，但它提供了一种机制来控制策略的行为方向。

5.3 回报条件化的作用分析

形式化定义：

设 \pi_{\text{DT}}(a \mid s, G) 为 DT 学到的条件策略。回报条件化的作用可以通过以下分解理解：

\pi_{\text{DT}}(a \mid s, G) = \underbrace{P(a \mid s)}_{\text{状态条件}} \cdot \underbrace{\phi(G \mid s, a)}_{\text{回报调制}}

其中 \phi(G \mid s, a) 是给定状态-动作对的回报似然。

三种回报条件化机制：

1. 重加权机制：调整不同动作的相对概率

   
   \pi_{\text{DT}}(a \mid s, G) \propto \pi_{\text{BC}}(a \mid s) \cdot \exp(\beta \cdot \mathbb{E}[G \mid s, a])
   

   其中 \beta 是温度参数。

2. 过滤机制：排除达不到目标回报的动作

   
   \pi_{\text{DT}}(a \mid s, G) = 0 \quad \text{if} \quad \mathbb{E}[G \mid s, a] < G_{\text{target}}
   

3. 序列调整机制：通过调整历史回报的预测来微调当前决策

回报条件化的实验验证：

Chen 等人在 2021 年的实验中表明：

• 当目标回报 G 增加时，DT 选择的动作更"激进"（追求更高风险高回报）
• 当目标回报 G 减小时，DT 选择更保守的动作
• 这种行为在连续控制任务中表现尤为明显

---

6. 算法变体

6.1 Decision Transformer（DT）- 原始版本

论文：Chen et al., "Decision Transformer: Reinforcement Learning via Sequence Modeling", 2021

核心特点：

• 离线训练，自回归预测
• 使用 return-to-go 作为条件变量
• causal masking 保证时序因果性

算法流程：

Algorithm: Decision Transformer Training

Input: Offline dataset D = {(τ_i, G_i)}
Input: Transformer parameters θ
Output: Trained policy π_θ

1: Initialize θ randomly
2: for epoch = 1 to E do
3:     Sample batch B ⊂ D
4:     for each (τ, G) ∈ B do
5:         Compute embeddings: s_t, a_t, r_t, g_t
6:         Pass through Transformer
7:         Compute action loss L_action
8:         θ ← θ - α ∇_θ L_action
9:     end for
10: end for
11: return π_θ

适用场景：

• 已有大量离线数据的任务
• 目标回报明确可量化的任务
• 动作空间为离散或连续均可

6.2 Online Decision Transformer（ODT）- 结合在线探索

动机：原始 DT 完全依赖离线数据，无法在线改进。

核心思想：将 DT 与在线探索结合，形成"离线预训练 + 在线微调"的范式。

ODT 算法框架：

1. 离线阶段：同原始 DT，在 \mathcal{D} 上训练
2. 在线阶段：
   • 使用当前策略 \pi_{\text{ODT}} 收集新数据
   • 将新数据加入回放缓冲区 \mathcal{D}
   • 定期在 \mathcal{D} 上重训练 \pi_{\text{ODT}}

探索机制：

ODT 引入随机性到回报条件中：

G_{\text{explore}} = G_{\text{target}} + \mathcal{N}(0, \sigma^2 I)

这鼓励智能体探索不同回报水平的动作空间。

理论保证：

ODT 的收敛性可以通过以下不等式保证：

J(\pi_{\text{ODT}}^{(k+1)}) - J(\pi_{\text{ODT}}^{(k)}) \geq \frac{\eta}{1-\gamma} \cdot \mathbb{E}_{\mathcal{D}^{(k)}}[\delta Q]

其中 \delta Q 是价值函数的变化量，\eta 为学习率（避免与折扣因子 \gamma 混淆）。

6.3 Prompt-based RL - 用自然语言描述奖励

核心创新：将自然语言引入强化学习，实现"语言条件化的决策"。

Prompt Decision Transformer（PDT）：

\pi_{\text{PDT}}(a \mid s, \text{prompt}) = \text{DT}(s, \text{LLM}(\text{prompt}), a; \theta)

其中 \text{LLM}(\text{prompt}) 将自然语言描述转换为回报嵌入。

语言条件化的三种方式：

1. 奖励描述 → 回报嵌入：将语言描述编码为向量 e_{\text{reward}}

   
   e_{\text{reward}} = \text{Encoder}(\text{"maximize distance from obstacles"})
   

2. 目标规范 → 目标回报：用语言指定目标状态

   
   G_{\text{language}} = \text{LLM}(\text{"reach the green zone"})
   

3. 偏好学习：通过自然语言偏好数据学习 reward 模型

   
   P(\text{preferred} \mid \tau, \text{language}) = \text{softmax}(R(\tau) \cdot \text{sim}(\text{偏好描述}, \tau))
   

优势：

• 无需手动设计奖励函数
• 可以处理抽象、难以量化描述的任务目标
• 与人类意图对齐更加直接

6.4 Multi-task Decision Transformer

动机：如何让 DT 同时处理多个任务？

多任务 DT 的架构：

1. 任务嵌入：

   
   \mathbf{t}_k = \text{Embedding}(\text{task}_k) \in \mathbb{R}^{d_{\text{model}}}
   

2. 任务条件化的策略：

   
   \pi_\theta(a \mid s, G, \mathbf{t}_k) = \text{Transformer}(\mathbf{s}, \mathbf{g}, \mathbf{a}_{<t}, \mathbf{r}_{\leq t}, \mathbf{t}_k; \theta)
   

3. 任务共享 vs 任务专用：

   • 浅层参数共享（仅 embedding 层）
   • 深层参数共享（Transformer blocks）
   • 专家混合（Mixture of Experts）

多任务训练目标：

\mathcal{L}_{\text{MT}} = -\sum_{k=1}^{K} \sum_{t=1}^{T} \log \pi_\theta(a_t^{(k)} \mid s_t^{(k)}, G^{(k)}, \mathbf{t}_k)

任务间迁移：

多任务 DT 展现出正向迁移能力：

J(\pi_{\text{MT}}) \geq \frac{1}{K} \sum_{k=1}^{K} J(\pi_k)

其中 J(\pi_k) 是单任务 DT 的性能。任务间的共享结构使得知识可以跨任务复用。

---

7. 与其他范式的比较

7.1 DT vs 值函数方法（DQN/A3C/PPO）

核心范式对比：

特性	值函数方法（DQN/A3C/PPO）	Decision Transformer
学习目标	状态/状态-动作价值	条件策略
优化方式	Bellman 方程 + 梯度下降	监督学习 + 因果 attention
Bootstrap	是（TD learning）	否（纯监督学习）
样本效率	较低（on-policy）或中等（off-policy）	较高（离线监督学习）
回报条件化	无（学习单一价值函数）	有（条件生成）
训练稳定性	受 bootstrap 误差影响	相对稳定

DQN 的目标：

y_j = r_j + \gamma \max_{a'} Q_{\text{target}}(s_j', a')

DT 的目标：

\mathcal{L}_{\text{DT}} = -\mathbb{E}\left[ \sum_t \log \pi_\theta(a_t \mid s_t, G_t) \right]

PPO 的目标：

L^{\text{PPO}}(\theta) = \mathbb{E}_t \left[ \min\left( r_t(\theta) \hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) \hat{A}_t \right) \right]

主要差异分析：

1. 误差传播：DQN/A3C/PPO 都涉及 bootstrap，误差会随时间步传播；DT 是纯监督学习，无误差传播
2. 回报处理：值函数方法学习 V(s) 或 $Q(s,a)$，隐式地编码了回报信息；DT 显式地将回报作为条件输入
3. 探索机制：值函数方法通常需要 $\epsilon$-greedy 或熵正则化进行探索；DT 的探索发生在训练数据收集阶段（离线）或通过回报扰动（ODT）

7.2 DT vs Model-Based RL

Model-Based RL 的框架：

Model-Based RL 学习环境动力学模型：

\hat{P}(s_{t+1} \mid s_t, a_t), \quad \hat{R}(s_t, a_t)

然后使用这个模型进行规划或想象 rollouts。

DT vs Model-Based RL 对比：

特性	Model-Based RL	Decision Transformer
世界模型	显式建模	隐式（通过序列建模）
规划能力	MCTS/最优控制	自回归生成
样本效率	高（可想象 rollouts）	高（离线学习）
模型误差	存在（model bias）	无
计算成本	规划时计算量大	推理时计算量适中
长期规划	优秀（通过模型展开）	受序列长度限制

数学表述：

Model-Based RL：

\pi_{\text{MB}}(a_t \mid s_t) = \arg\max_{a_t} \underbrace{\hat{r}(s_t, a_t)}_{\text{learned reward}} + \gamma \underbrace{V^{\pi}(\hat{s}_{t+1})}_{\text{value on imagined next state}}

Decision Transformer：

\pi_{\text{DT}}(a_t \mid s_t, G_t) = \arg\max_{a_t} \log P_\theta(a_t \mid s_t, G_t, a_{<t})

互补性：DT 和 Model-Based RL 可以结合——用 Model-Based 方法生成想象轨迹，用 DT 作为策略或价值函数的表示。

7.3 DT vs 蒙特卡洛树搜索（MCTS）

MCTS 的核心思想：

MCTS 通过树搜索进行决策：

1. 选择（Selection）：UCB 准则选择子节点

   
   \text{UCB}(s, a) = Q(s, a) + c \sqrt{\frac{\ln N(s)}{N(s, a)}}
   

2. 扩展（Expansion）：添加新节点
3. 模拟（Simulation）：随机 rollout 到终端状态
4. 回传（Backpropagation）：更新节点统计量

DT vs MCTS 对比：

特性	MCTS	Decision Transformer
规划方式	显式树搜索	隐式序列建模
计算方式	推理时计算密集	训练后推理高效
世界知识	需要（用于 rollout）	不需要
长期规划	优秀	受限于序列长度
适用场景	完美模拟器可用	仅离线数据可用
在线适应	可以	受限（ODT 除外）

数学上：

MCTS 的值估计：

V_{\text{MCTS}}(s) = \frac{1}{N} \sum_{i=1}^{N} G_i(s)

DT 的动作选择：

a_{\text{DT}}^* = \arg\max_{a} \log P_\theta(a \mid s, G)

核心权衡：

• MCTS 精确但慢，适合有精确模型的场景（如游戏 AI）
• DT 粗略但快，适合需要快速响应的实时控制系统

---

8. 总结与展望

8.1 Decision Transformer 的贡献

1. 范式革新：首次将强化学习问题重新定义为序列建模问题
2. 离线学习：摆脱了 on-policy 的样本效率限制
3. 回报条件化：通过目标回报作为条件，实现策略的可控生成
4. 架构创新：将 Transformer 架构应用于 RL，展现了序列建模的通用性

8.2 局限性

1. OOD 泛化有限：对未见过的目标回报外推能力不足
2. 序列长度限制：Transformer 的 \mathcal{O}(T^2) 复杂度限制了长 horizon 任务
3. 训练效率：需要大量离线数据才能达到良好性能
4. 探索能力：原始 DT 无在线探索能力

8.3 未来方向

1. 高效 Transformer：线性注意力和状态空间模型（如 Mamba）的引入
2. 更好的 OOD 泛化：基于对比学习、因果推断的方法
3. 多模态 DT：结合视觉、语言等多种模态
4. 层次化 DT：处理多时间尺度决策问题

---

参考文献

1. Chen, L., Lu, K., Rajeswaran, A., Lee, K., Grover, A., Laskin, M., ... & Mordatch, I. (2021). Decision transformer: Reinforcement learning via sequence modeling. NeurIPS.

2. Janner, M., Li, Q., & Levine, S. (2021). Offline reinforcement learning as one big sequence modeling problem. NeurIPS.

3. Kumar, A., Zhou, A., Tucker, G., & Levine, S. (2020). Conservative q-learning for offline reinforcement learning. NeurIPS.

4. Silver, D., et al. (2014). Monte-carlo tree search and rapid action value estimation in computer Go. Artificial Intelligence.

---

本文档由 Claude Code 生成，面向深度学习与强化学习交叉领域研究人员