机构名称：
¥ 2.0
4 UCB使用arg max a ˆ q t（a） + b，其中b是奖励项。考虑b = 5。这将使对经验奖励的算法乐观，但仍可能导致这样的算法，从而使Suer linear遗憾。
讲座12：快速加固学习
主要关键词
相关文件推荐
