ε-greedy
一种经典的探索策略，以概率 ε 随机选择动作进行探索，以概率 1-ε 选择当前估计最优动作，计算代价为常数时间，常用于多臂老虎机和强化学习。
核心事实
时间轴 (近 90 天)
多臂老虎机（Multi-Armed Bandit）是决策模型里常被引用的一类策略，常见算法包括 ε-greedy、UCB 和 Thompson Sampling。
研究团队在真实生产环境中进行了大规模随机对照试验（RCT），将GP-UCB方法与标准ε-greedy基线对比，结果显示GP-UCB在统计上显著优于基线。
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。
论文没有披露GP-UCB相比ε-greedy的具体效率提升数值。
ε-greedy 和 IGW 在最坏情况下的表现是否与信息论下界完全匹配，论文给出的遗憾阶结果需要更多后续工作来验证其在实际问题中的紧致性。
E2D.PMSide 在全局可观测设定下采用 ε-greedy 策略，以极低计算代价实现最优遗憾界。
常见的探索做法包括ε-greedy策略（以概率ε随机探索，否则执行当前最优动作）和熵正则化（在策略梯度方法中鼓励动作多样性）
引入 ε-greedy 策略并让 ε 随训练进程逐渐衰减，可以平衡探索与利用，提升学习效果
ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.1
全部知识事实 (9)
ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.1
65%待验证多臂老虎机（Multi-Armed Bandit）是决策模型里常被引用的一类策略，常见算法包括 ε-greedy、UCB 和 Thompson Sampling。
50%待验证经典多臂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。
50%待验证研究团队在真实生产环境中进行了大规模随机对照试验（RCT），将GP-UCB方法与标准ε-greedy基线对比，结果显示GP-UCB在统计上显著优于基线。
50%待验证论文没有披露GP-UCB相比ε-greedy的具体效率提升数值。
50%待验证E2D.PMSide 在全局可观测设定下采用 ε-greedy 策略，以极低计算代价实现最优遗憾界。
50%待验证ε-greedy 和 IGW 在最坏情况下的表现是否与信息论下界完全匹配，论文给出的遗憾阶结果需要更多后续工作来验证其在实际问题中的紧致性。
50%待验证常见的探索做法包括ε-greedy策略（以概率ε随机探索，否则执行当前最优动作）和熵正则化（在策略梯度方法中鼓励动作多样性）
50%待验证引入 ε-greedy 策略并让 ε 随训练进程逐渐衰减，可以平衡探索与利用，提升学习效果
50%