Topic Boundary
这个 overview 记录偏好学习主线。凡是核心学习信号来自 pairwise comparison、ranking、human/judge preference、reward model 或 direct preference objective 的工作，都优先从这里定位；如果只是普通数值 reward 下的 RL algorithm，则回到 Classical & Deep RL。
Reading Queue
Dueling Bandit
Dueling Bandit 是本 topic 下的子队列，专门放 pairwise preference feedback 形式的 bandit 问题。它不再作为全局一级 topic 出现。