连续动作强化学习中的反事实探索：揭示 AI 决策背后的可能性

为什么 RL 需要反事实推理？

在具有高风险和长期影响的场景中，反事实推理的价值尤为显著。以 1 型糖尿病患者的血糖控制为例：强化学习（RL）智能体根据生理信号定期决定胰岛素剂量。原始轨迹（）显示患者血糖先升至危险范围后回落，获得中等奖励。下方三个反事实替代方案（、和）展示了略微调整胰岛素剂量后的可能结果：其中和获得更高累积奖励，而表现更差。特别值得注意的是，在满足"血糖低于阈值时固定剂量"的临床约束前提下，通过最小幅度调整实现了最佳结果。

最小偏差的反事实策略

该方法将反事实解释构建为优化问题，寻找既能提升性能又贴近原始动作序列的替代轨迹。关键技术包括：

1. 采用定制化的连续动作序列距离度量

2. 基于 TD3 算法改进的奖励塑造机制（惩罚大幅偏差）

3. 构建增强型 MDP 处理约束条件（如关键生理状态下的固定策略）最终生成的是确定性策略，能从给定初始状态产生可解释的替代方案。

应用案例

糖尿病控制：

• 使用 FDA 认证的 UVA/PADOVA 模拟器

• 实时调整胰岛素剂量以维持安全血糖范围

• 反事实轨迹显示微小策略一致性调整可改善结果

月球着陆器：

• 标准 RL 基准环境

• 通过主/侧引擎推力调节实现平稳着陆

• 反事实解释揭示控制微调如何提升稳定性或能效

在两项任务中，该方法在 50-80%测试案例中发现了奖励更高的正反事实轨迹，且策略在单/多环境条件下均展现泛化能力。

局限与启示

当前框架依赖稀疏的轨迹级奖励信号，可能在长周期或精细控制场景中受限。但其为可解释 RL 提供了新思路——通过结构化、策略感知的方式，在医疗、金融等关键领域揭示"如果采取不同决策会怎样"的可能性。

延伸阅读：

• 完整论文：《Counterfactual Explanations for Continuous Action Reinforcement Learning》

• GitHub 实现代码更多精彩内容 请关注我的个人公众号 公众号（办公 AI 智能小助手）公众号二维码

• 

  办公AI智能小助手