多臂Bandit

在共享预算分配场景中，若有K个细分且每个细分权重从M个离散值中选择，则总配置数量为M^K，导致组合动作空间爆炸。

经典多臂Bandit算法（如ε-greedy）假设每个臂的奖励分布独立，当动作空间组合爆炸且反馈稀疏时，独立评估每个臂的探索成本随动作数线性增长，效率急剧下降。