待验证50% 置信基准精确时间

在包括有界残差与分歧、最优响应的固定可行模型、自由查询风险和最优查询风险的线性模型等假设条件下，ORUCB能够在T轮中实现高概率的伪后悔界O(√T·log(T+1))

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

ORUCB算法：在线学习中如何纠正专家答案并降低成本

涉及实体

ORUCBconcept 伪后悔concept

相关事实

待验证ORUCB的理论保证允许奇异的答案分布、容忍误设的共享响应模型，其最优性相对于有界响应类而言73% 相似待验证高斯风险准入将多视角表示建模为对角高斯分布，同时考量类别可分性和特征不确定性来筛选可靠的缓存候选样本。68% 相似待验证由于LLM输出是概率性的，不能指望模型主动认错，验证必须在系统层面加上确定性保障66% 相似已验证SURE不确定性建模让模型能表达置信度并在证据不足时选择弃权，区分认知不确定性与随机不确定性66% 相似待验证多模型交叉验证（同一问题分别问ChatGPT、Claude、Gemini等不同AI模型）可以降低AI幻觉误导的风险65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983500

API

curl https://kongchang.com/api/v1/knowledge/claims/983500

MCP

get_claim(id=983500)