一种简单通用的 top-k 选择方法

论文提出一种基于期望机会成本上界最小化的自适应样本分配方法，解决贝叶斯 top-k 识别问题。该方法适用于任意批次采样、任意选择规模 k 及多种采样分布。 理论证明表明，该方法的后验期望机会成本以至少比任何采样规则最优衰减速率快一半的指数速率衰减。 在广泛模拟实验中，该方法性能与现有最佳算法相当或更优。