这一讲只有一句原文是你必须背下来的，在 p30：Supervised learning assumes iid. (s, a) pairs and ignores temporal structure。它解释了为什么监督学习式的保证一搬到序贯决策上就失效，而它的后果被课件量化成了一个非常具体的形状：εT 变成 εT²。

这个机制在你的问题里是字面成立的，不是类比。课件的 t 是时间步，你的 t 是节点编号 h；课件的「走错一步」是选错动作，你的是在节点 h 换了一档保真度。后果完全同构：节点 h 一换档，它交给 h+1 的中间产物就变了（更短、更糙、格式也可能变），于是 h+1 面对的输入分布不再是日志里那个。你在原日志上拟合的一切——成本模型、准确率模型、FQE 的 Q̂——在那一刻同时离开了各自的训练分布。

这给简报 §8 那个开放问题一个干净的表述。§8 说的是：conformal risk control 要求校准点与测试点可交换，而节点 h 的决策破坏了后续节点的可交换性。p30 那句原文正是同一件事的课堂版本——iid 之于监督学习，等于可交换性之于 conformal。两者都是「样本之间没有结构」的假设，都被「决策改变后续分布」打破。所以这不是 conformal 方法特有的毛病，而是把序贯决策交给监督学习式保证时的通病，在模仿学习里的经典表现就是 εT²（Ross et al. 2011）。这句话可以原样进 related work。

然后是这一讲给你的两条好消息，两条都值得主动写出来。
① 你的 T 很小。H ≈ 5–10，放大倍数是 5 到 10 倍，而机器人那边 T 上千、放大上千倍。短流水线天然抗分布漂移，这是结构性优势。
② 杀死 DAGGER 的那条理由，在你这里不成立。老师判它工程上不现实，唯一理由是专家必须一直在回路里；而你的「专家标签」是把配置真跑一遍，那是 API 调用，不是人类标注——可批量、可并行、花的是钱不是人力。于是这条在机器人领域被现实判死刑的路线，在你这里是可行的。

最后，这一讲还顺手给了 λ 一个能算出来的东西。G = Acc − λ·Cost 字面上就是 p36 的 R(s) = wᵀx(s)，特征两维、w = (1, −λ)。把 p39 的约束逐条写出来，就能从日志里夹出一个 λ 的可辨识区间（比专家贵的配置给下界，比专家便宜的给上界）。p43 的「无穷多个奖励函数」在 n=2 且尺度钉死之后，塌缩成一条线段——而线段是可以画出来、可以当结论报告的。

CS234 第七讲 · 模仿学习：行为克隆、DAGGER、逆强化学习与特征匹配