在线学习的遗憾界分析：Follow the Regularized Leader算法 在线学习是一种逐步决策的框架：在第 t 轮，你选择一个动作（如预测值），然后看到损失，目标是最
多臂老虎机 UCB 算法的置信上界推导与后悔界 1. 定义多臂老虎机问题 明确 问题设定：你有 K 个老虎机（臂），每个臂 i 有一个未知的奖励分布，均值为 μi。你每次选择拉一个
对抗多臂老虎机Exp3算法的指数加权策略 在对抗性多臂老虎机问题中，环境会主动让你的选择变差。你需要一个即使对手（环境）不断调整，也能持续优化决策的策略。Exp3（Exponent
