ucb

本文研究了一个包含自动聊天机器人和人工坐席的人-AI服务系统，提出了一种UCB-DPP策略，该策略学习未知参数，在稳定队列的同时实现了Õ(K√T)的遗憾值。

OpenAI提出了一种针对深度强化学习的新型探索策略，使用具有上置信界(UCB)的Q函数集合，在Atari基准上展现了显著的性能提升。