本研究考虑了一类网络安全游戏，其中每个节点选择个人的安全投资水平，研究了行为决策理论对节点最优投资策略和纳什均衡下安全风险配置的影响，并对 Total Effort，Weakest Link 和 Best Shot 游戏的均衡投资进行了表征。

Oct, 2015

考虑从严格的行为数据中学习线性影响博弈 (LIGs) 的结构和参数，通过纯策略 Nash 平衡的最大似然估计 (MLE) 将学习问题转化为生成模型的估计，在控制平衡数量的同时捕捉数据中的均衡行为。该方法可以应用于识别大型 (社交) 网络中最有影响力的个体，并支持决策分析和其他普适性的图形游戏。

Jun, 2012

本文从博弈的角度研究影响最大化问题，提出了一个协调博弈模型，并在该模型下研究了影响最大化的难度和贪心算法的逼近保证。实验结果表明，优化后的算法比其他启发式算法快三个数量级，并且大大优于原始贪心方法。

Oct, 2018

本文介绍了 G 网络，一种新型的多智能体决策问题表示，其中的概率和效用独立性都被捕捉在网络结构中，利用该网络可以简化推理过程并解决了发现二者间的策略均衡问题。

Jan, 2013

本论文探讨了一个动态社交网络模型，其中代理人在随机演化的社交网络中进行重复博弈互动，并通过学习行为决定加强哪些交互关系，从而形成网络结构。作者研究了不同的博弈理论条件，显示网络结构动态复杂，有时与无结构动态时的行为不同，并认为将网络结构建模为动态可以增加现实性而不妨碍问题分析。

Apr, 2004

本文研究了有限本地信息条件下的分布式 Nash 平衡问题，通过重新制定多智能体协调问题，提出了一个修正版的渐进博弈动态，该动态使用局部估计和 Laplacian 反馈以实现同步收敛到 Nash 平衡。

May, 2017

本文研究社交图中相互关联的代理之间的因果影响，并考察社交学习模型和分布式决策协议的动态性，推导出表达式以揭示代理之间的因果关系并解释网络中的影响流动。结果依赖于图的拓扑结构和每个代理对于所解决的推断问题的信息水平。基于这些结论，本文提出了一种算法来评估代理的整体影响力以发现高度有影响力的代理，并提供了一种从原始观测数据中学习必要模型参数的方法。通过综合考虑合成数据和真实的 Twitter 数据，验证了结果和所提算法的有效性。

Jul, 2023

该研究开展了网络公共品博弈的算法研究，以诱导特定形式的均衡状态，研究了投资、网络结构和均衡状态对博弈结果的影响，并对多种均衡形式和效用函数进行了研究。

Feb, 2020

采用公理化方法得出影响度量函数，可以分析某个分类器在确定分类结果时各个特征的影响力。通过该函数，分析用户画像对谷歌在线广告投放的影响。

Apr, 2015

本文研究了在图形网络游戏中使用分布式八卦方法寻找纳什均衡的方法，介绍了干扰图和通信图的概念，设计了通信图以使玩家仅交换必要的信息，证明了使用干扰和通信图的八卦方法在收敛步长逐渐缩小的情况下能够几乎一定收敛于纳什均衡。

Mar, 2017