यह शोधपत्र मौजूदा ऑनलाइन शिक्षण एल्गोरिदम की सीमा को इंगित करता है जो यह मानता है कि सभी गलतियों को ठीक किया जा सकता है, और एक नई ऑनलाइन शिक्षण समस्या का प्रस्ताव करता है जो उस मामले पर विचार करता है जहां कुछ गलतियाँ अपरिवर्तनीय 'घातक' गलतियाँ हैं। हम प्रत्येक दौर के पुरस्कार को 'आपदा से बचने की संभावना' के रूप में परिभाषित करते हैं, और सीमित संख्या में संरक्षक प्रश्नों के भीतर आपदा से बचने की संभावनाओं (कुल आपदा से बचने की संभावना) के उत्पाद को अधिकतम करने का लक्ष्य रखते हैं। हम समान इनपुट के बीच ज्ञान हस्तांतरण की अनुमति देते हैं, और साबित करते हैं कि सामान्य तौर पर, संरक्षक क्वेरी दर रैखिक होती है या आपदा घटना की संभावना 1 के करीब होती है। हालाँकि, एक मानक ऑनलाइन मॉडल में, हम एक एल्गोरिथ्म प्रस्तुत करते हैं जिसमें संरक्षक क्वेरी दर और पछतावा 0 पर अभिसरित होते हैं क्योंकि ऐसे वातावरण में समय क्षितिज बढ़ता है जहाँ संरक्षक नीति वर्ग सीखने योग्य होता है। हालाँकि हम पुरस्कारों के उत्पाद पर ध्यान केंद्रित करते हैं, हम सामान्य योगात्मक पछतावे पर एक सीमा भी प्रस्तुत करते हैं। संक्षेप में, हम दिखाते हैं कि यदि कोई नीति वर्ग घातक जोखिम की अनुपस्थिति में सीखने योग्य है, तो यह घातक जोखिम की उपस्थिति में भी सीखने योग्य है यदि इसे संरक्षक से सहायता मिल सकती है।
