本研究探讨匿名博弈的均衡计算，通过先进行具有适应性的问题到博弈的支付函数计算的算法处理。讨论研究的主题是查询复杂度，即计算精确或近似纳什均衡所需的查询数量。研究发现不能通过查询有效算法找到精确均衡，但可以通过假设效用函数的进一步对称性或关注近似均衡来获得更好的查询复杂度界限。研究涉及的匿名游戏的子类是匿名博弈的相似研究，结论为使用随机算法可以在相应的复杂度下查询到一个近似的纳什均衡，此外也证明了一定数量次的查询才能找到任何 ϵ- 好支持纳什平衡，即使采用随机算法也需要 Ω(n log n) 的复杂度。

Dec, 2014

该论文研究了在一个允许算法在纯策略配置上查询玩家收益的模型中寻找 $n$ 个玩家博弈的相关均衡的复杂性，结果表明随机规避后悔的动态算法可以高效地得出近似相关均衡，但确切相关均衡需要更多的回报查询（随机算法瓶颈）并无法使用高效的确定性算法（因为查询次数下限）。

May, 2013

本文研究了在连续游戏中计算近似 Nash 均衡的问题，并提出了一种新的准则来最小化渗透性的近似值。

Jan, 2023

研究了使用确定性和随机算法在双矩阵博弈中寻找近似均衡所需的计算成本，给出了具体的上限和下限，并通过随机算法突破了确定性算法的计算复杂度下限。

Oct, 2013

在大量玩家的二元行动博弈中，查询复杂度与 ε- 支持纳什均衡的关系是指数级的，并导致自适应动态收敛到近似纳什均衡的速度指数级下降。

Jun, 2013

本文研究网络玩家的公共物品博弈，其中每个玩家具有二进制行动，并针对这类博弈的算法方面进行了研究，包括纯策略纳什均衡的存在性检测，限制条件下的可计算性以及启发式算法的提出与实验测试。

Nov, 2019

这篇论文研究了学习在黑盒游戏中的挑战，其中底层效用函数对任何代理都是未知的。通过实证查询的形式，我们提供了一种利用高斯过程来识别这类游戏中平衡点的无悔学习算法。我们的方法不仅确保了理论上的收敛速率，还通过实验验证在各种游戏中的有效性。

May, 2024

研究了两个公司在机器学习为基础的服务领域中的游戏，考虑购买一组新的数据对公司产品质量的提高，分析了不同参数下的 Nash 均衡情况，并指出游戏的平衡态与顾客福利最大化不一致，证明了游戏结局是较强公司的市场地位减弱而较弱公司的市场地位加强。

May, 2019

通过研究不完全记忆下的最优决策问题，我们分析了广义形式博弈中多个解概念（纳什均衡、基于证据决策理论的多个自体以及基于因果决策理论的多个自体）下，在多人情景中寻找均衡的计算复杂性，同时关注精确和近似解的计算。我们将单人游戏、两人零和游戏与最小最大值以及没有外在随机性（几率节点）的游戏作为特例，并将这些问题与复杂性类 P、PPAD、PLS、Σ₂ᴾ、∃R 和∃∀R 联系起来。

Jun, 2024

对于对称策略空间中的本地最优对称策略，该研究证明任何局部最优对称策略都是（全局）纳什均衡，这个结果适用于机器学习，并为找到对称策略空间中的局部最优的梯度方法提供全局性保证，最后，总结了研究结果在多智能体 RL，合作逆 RL 和分散式 POMDPs 中的应用。

Jul, 2022