UCB অ্যালগরিদম

KL-UCB

অ্যাসিম্পটোটিকভাবে সর্বোত্তম আত্মবিশ্বাসের সীমা নির্মাণের জন্য কুলব্যাক-লেইব্লার ডাইভারজেন্স ব্যবহার করে UCB-এর বৈকল্পিক, সীমিত পুরস্কারের জন্য বিশেষভাবে উপযুক্ত।

← ফিরে যান