GP-UCB
一种贝叶斯优化中的采集函数，通过后验均值加上置信度系数乘以后验标准差来平衡探索与利用，系数控制探索强度。
时间轴 (近 90 天)
GP-UCB选择后验均值加β倍后验标准差最大的点作为下一个探索目标，其中β控制探索的激进程度，该策略在理论上保证次线性遗憾。
论文没有披露GP-UCB相比ε-greedy的具体效率提升数值。
对于资源分配类序贯决策问题，实践者应利用动作之间的结构相似性而非独立对待每个动作，并将Matérn + Linear复合核作为默认起点，部署前在模拟器中针对具体环境进行校准。
GP-UCB利用高斯过程先验建模奖励函数，通过核函数定义相邻配置之间的相关性，从而在配置空间上共享信息，减少探索周期。
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。
标准GP-UCB的累积遗憾上界以RKHS范数界和最大信息增益为参数。
标准贝叶斯优化采集函数（如GP-UCB、EI、Thompson采样）的设计目标几乎都是最小化累积遗憾，因此天然偏向利用而非探索。
全部知识事实 (7)
GP-UCB选择后验均值加β倍后验标准差最大的点作为下一个探索目标，其中β控制探索的激进程度，该策略在理论上保证次线性遗憾。
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%待验证对于资源分配类序贯决策问题，实践者应利用动作之间的结构相似性而非独立对待每个动作，并将Matérn + Linear复合核作为默认起点，部署前在模拟器中针对具体环境进行校准。
50%待验证GP-UCB利用高斯过程先验建模奖励函数，通过核函数定义相邻配置之间的相关性，从而在配置空间上共享信息，减少探索周期。
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%待验证标准GP-UCB的累积遗憾上界以RKHS范数界和最大信息增益为参数。
50%待验证标准贝叶斯优化采集函数（如GP-UCB、EI、Thompson采样）的设计目标几乎都是最小化累积遗憾，因此天然偏向利用而非探索。
50%