概念Bandit Feedback
bandit反馈
强化学习中的一种反馈设定，算法只能观测到实际执行动作的损失，无法获知其他动作的损失，增加了学习难度。
时间轴 (近 90 天)
10月22日
未来方向包括放松oblivious假设、研究更一般的隐私模型（如本地差分隐私），以及将技术扩展到其他在线学习问题（如bandit反馈）。
待验证50%
10月12日
在线情景式表格MDP中，损失函数是对抗性的，环境可以在每轮选择任意损失，且反馈是bandit式的，即只能观测到所选动作的损失。
待验证50%