倾斜采样的遗憾框架与两类采样算法

基于摘要分析。本文研究未知奖励函数下的在线倾斜采样问题：目标不是确定单个最优动作，而是从奖励诱导的 Gibbs 分布中采样，以兼顾输出质量与多样性。主要贡献是提出采样遗憾的一般分析框架，并构造 UCB 与 Thompson sampling 的采样对应算法 UCS 和 TS²。 作者将采样遗憾定义为学习者分布与 Gibbs 目标之间经温度归一化的累积 KL 散度，并将其对应到熵正则化奖励最大化的次优差距。原论文主要面向熵正则化强化学习、RLHF 和奖励引导生成建模等问题，而非 EEG 解码或 BCI。 理论机制上，作者指出经典遗憾最小化受一阶不确定性影响，标准遗憾通常呈 Õ(√T) 量级；倾斜采样的遗憾则由置信宽度的平方控制。作者报告，在固定温度及文中所称的标准设置下，该结构可产生关于时间跨度 T 的对数遗憾。两类结果针对不同目标，不能将其直接理解为同一任务上的性能提升，温度条件也不能省略。 作者还给出统一遗憾分解，并基于后验随机 Gibbs 分布的新界建立 Bayesian 采样遗憾分解；作者称这是该类分解的首次结果。其核心结论是：学习软最优分布与识别硬最优动作具有不同的统计结构。 尚未取得全文，奖励函数类别、反馈形式、置信区间及后验构造、温度依赖、定理适用条件和实验验证信息尚未验证。当前材料不足以建立具体的 EEG/BCI 机制对应关系，不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。