本研究提出了一种新的超参数优化方法，结合线性代理模型与遗传算法，以解决探索与利用的平衡问题。实验结果表明，该方法平均性能提升1.89%，最大提升6.55%。

本研究提出了一种名为CA-SMART的新型主动学习框架，旨在资源限制下加速先进材料的发现。该框架通过引入信心调整惊喜度量，动态平衡探索与利用，从而提高试验的准确性和效率，超越传统方法。

本研究探讨推荐系统中探索与利用的权衡，分析因信息利用不均衡导致的嫉妒效应。提出多臂赌博机模型，以优化社会结果，平衡效率与公平，为改善推荐系统的社会影响提供新视角。

本研究提出了B-STaR框架，以解决自我提高过程中的探索与利用平衡问题。研究表明，模型的探索能力和利用外部奖励的有效性迅速下降，而B-STaR框架能够自动调整配置，从而优化自我提高效果，提升数学推理等任务的性能。

本研究提出了一种“超参数稳健探索（Hyper）”方法，旨在解决强化学习中的探索与利用困境，从而确保训练效果的稳定性和优越性。

该研究比较了强化学习中的优化标准，提出了一种新方法以最小化Bellman残差，实验表明直接最大化平均值效果更佳。同时，研究探讨了探索与利用的平衡，提出了不确定性Bellman方程和熵正则化奖励函数，以提高强化学习的效率和策略优化。

蒙特卡罗树搜索（MCTS）算法在复杂环境中优化决策，广泛应用于工业领域，如制造优化、供应链管理和机器人自动化。通过选择、扩展、模拟和回溯四个阶段，MCTS有效平衡探索与利用，尽管面临计算能力和数据质量挑战，仍展现巨大潜力。

本文提出了一种基于模型行动选择的强化学习方法，解决了探索与利用的权衡问题。通过贝叶斯信息理论和信息瓶颈机制，改进了状态探索和动态模型学习，并介绍了新的策略搜索算法和状态抽象框架，显著提升了样本效率和任务表现，尤其在稀疏奖励环境中表现优异。

本文提出了一种新颖的量子强化学习算法，结合量子理论与强化学习，通过概率幅度并行更新实现探索与利用的平衡，显著提升学习效率。研究表明，该方法在复杂问题中表现优越，展示了量子计算在人工智能中的应用潜力。

本文探讨了通过结合多种赌博机算法创建主算法，以优化探索与利用的平衡，提升性能。研究提出了元学习框架，改进了多臂赌博机和上下文赌博机的学习效果，并在少样本学习和联邦学习中表现出色。

本文提出了一种无奖励强化学习框架，利用Renyi熵解决探索与利用的问题，并设计了相应的算法。研究表明，智能体在缺乏外部奖励时，通过好奇心驱动的内在奖励机制能够有效探索环境。实验结果显示，该方法在多智能体合作和稀疏奖励环境中表现优异，具有广泛的应用潜力。

本文综述了基于Thompson采样的序列决策算法进展，涵盖扩散模型先验学习、贝叶斯神经网络、动态协同过滤、连续动作空间上下文赌博机及变分推理等方法，旨在解决探索与利用权衡、遗憾最小化及跨任务元学习问题，并在广告点击率、市场优化等任务中验证了性能提升。

本文综述强化学习中的探索与利用平衡，重点介绍基于最优传输（OT）的多项研究，包括风险感知框架、信息增益规划、熵正则化OT、OTR奖励标记及Sinkhorn映射等，旨在提升样本效率与决策可靠性，并指出未来研究方向。