探究 Hedonic Games 的 PAC 可学习性和 PAC 稳定性，并提供不同类别的学习 / 稳定性结果，特别是在全表达形式下的 Hedonic Coalition Nets 表述中，我们识别了两组条件并针对特定 Hedonic Games 类别阐明了推动学习 / 稳定性的结构属性。

Jan, 2023

该论文提出了一种统一的学习理论方法来建模经济问题，通过适应解决方案概念学习域的函数空间维数的概念 - 图形维度 - 建立工具，识别了解决方案概念的 PAC 可学习性的充分条件，并说明现有作品中的结果可以立即使用我们的方法来推导。最后，我们将我们的方法应用于其他经济领域，得出了 PAC 竞争均衡和 PAC Condorcet 胜者的新概念。

Mar, 2019

研究了一种近期的协作 PAC 学习模型，在这个模型下，k 个执行 k 个不同任务的参与者协作学习单个工作于所有任务的分类器。该研究设计了新算法，其中的样本复杂度仅为学习单个任务的最坏情况样本复杂度的 O (ln (k)) 倍，样本复杂度的上界与之前的算法匹配，并且在某些参数范围内甚至比允许输出不同分类器以适用于不同任务的先前算法更好。

May, 2018

本研究使用 PAC 模型，直接学习对手响应功能，通过实验验证了新的对手建模方法，在提高对手模型准确性时，探讨了实际需要的数据量，提供了最佳防御策略的条件。

Oct, 2015

本文提出了一种基于梯度的分布式策略搜索方法，用于合作博弈中的部分可观测环境，比较了本地最优和纳什均衡的概念，实验结果表明该方法的有效性。

Aug, 2014

本文提出了合作博弈的可靠性扩展方案，研究了 Shapley 值的近似计算和少量代理类型博弈中核的计算方式。结果表明，通过应用可靠扩展，可以使博弈稳定，即使基础博弈的核为空，扩展后也能得到非空的核。

Feb, 2012

合作博弈理论在当代人工智能中有各种应用，包括可解释的机器学习、资源分配和协同决策。本文提出了一个旨在优化展示联盟价值序列的框架，以有效缩小合作博弈中玩家期望与实际结果之间的差距。通过研究玩家对缺失联盟价值的乐观补全及其产生的差距的分析特性，我们开发了在线和离线方法来最小化这一差距，并在实际场景中对算法的性能进行了实证研究并调查了展示联盟价值的典型顺序。

Feb, 2024

通过交错标注和学习的过程，可以在更少的标注成本下实现计算效率，以高精度去标记收集的数据，从而进行有效的学习算法。

Mar, 2017

本文基于两种算法（一个可直接恢复出真实标签，另一个则可以在标注标签子集的情况下可靠地推断出大型实例集的真实标签）从而开发利用配对比较查询可在指数级减少标签复杂性的方法，用于众包 PAC 学习阈值函数的设定，并在保留整体查询复杂性和运行时间的同时，可以成功地处理来自可能反对者的注释。

Nov, 2020

本文提出了一种参数化 PAC 学习理论，通过该理论可对 CNF、DNF 和图形学习等问题的可行性边界进行更精细的界定，并发展了机器学习领域的参数化固定参数学习的概念。

Apr, 2023