保守带宽（conservative bandits）在提升现有策略的同时必须遵守预设的性能预算。当基准策略（incumbent）存在不确定性时，传统做法会分别对候选奖励和基准奖励设置信赖区间，这会对共享的估计误差进行双重计费。我们提出 Reserve‑C4B，直接围绕基准相对对比（baseline‑relative contrast）构建证书。通过共享的置信集合，可以得到一个精确的可避免惩罚表达式，并在每个固定历史下给出更紧的可接受性检验。储备账本（reserve ledger）将统计证据与允许的性能缺口分离；前缀刷新（prefix‑refresh）扩展在不丢弃已认证信用的前提下，使用当前置信集合重新认证累计决策。针对线性奖励，使用自归一化置信集合实现随时间的同步有效性，并适配自适应生成的候选动作，最终策略在高概率下满足条件均值性能约束。可复现实验分别评估证书耦合、前缀刷新和历史信息的影响，显示在显著降低基准回退的同时，也揭示了冻结证书的局限性。
点评