待验证50% 置信事实精确时间
KL-UCB-Transfer算法在μ'_a < μ_1 - L_a的条件下获得更优的领头常数，当该条件不满足时退化为经典KL-UCB的保证。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
未知自适应策略下的Bandit迁移学习：上下界新突破
rss2026/10/15
涉及实体
相关事实
待验证KL-UCB算法基于KL散度构建置信上界，相比UCB1等基于Hoeffding不等式的算法，能在伯努利奖励下实现更紧的遗憾界。73% 相似待验证非平衡最优传输通过在目标函数中引入KL散度等惩罚项允许边际约束被软性满足，使低置信度匹配对贡献更小权重61% 相似待验证Stable Diffusion系列使用KL-regularized VAE，通过正则化约束潜空间的平滑性来缓解误差放大，但不能完全消除放大效应57% 相似待验证对于KYC等对特定操作点极度敏感的应用，应关注固定误报率下的召回率而非笼统的AUC56% 相似待验证在Dreamer V1中，KL散度项用于约束后验分布q(z_t|h_t,o_t)与先验分布p(z_t|h_t)之间的距离；若KL权重过大，后验被迫趋近先验导致潜变量丢失观测信息（信息丢失），若权重过小则转移模型无法从先验生成有意义的想象轨迹（后验崩溃）。56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046785API
curl https://kongchang.com/api/v1/knowledge/claims/1046785MCP
get_claim(id=1046785)