본 논문은 고정 신뢰도 설정에서 편향된 오프라인 데이터를 포함하는 최적 팔 식별(BAI) 문제를 다룬다. 이는 임상 시험과 같은 실제 시나리오에서 흔히 발생하는 문제이다. 저자들은 온라인 및 오프라인 분포 간의 편향 경계에 대한 사전 지식 없이 적응형 알고리즘에 대한 불가능성 결과를 증명한다. 이를 해결하기 위해, 저자들은 LUCB 프레임워크 내에서 오프라인 및 온라인 데이터의 균형을 맞추기 위한 보조 편향 보정을 통합하는 적응형 신뢰 경계를 도입하는 LUCB-H 알고리즘을 제안한다. 이론적 분석에 따르면, 오프라인 데이터가 오해의 소지가 있는 경우 LUCB-H는 표준 LUCB의 샘플 복잡도와 일치하고, 오프라인 데이터가 유용한 경우에는 상당히 능가한다. 또한 특정 시나리오에서 LUCB-H의 상한선과 일치하는 인스턴스 종속 하한선을 도출한다. 수치 실험은 LUCB-H의 강건성과 적응성을 더욱 입증하며, 오프라인 데이터를 효과적으로 통합한다.