本文提出了一种新的流表示法，将任意一个有限游戏分解为三个部分：潜在、谐波和非策略部分，并分析了由此分解引出的自然类的游戏（即无谐波部分和无潜在部分的游戏），证明了这些游戏具有明显不同的性质，如有纯策略 Nash 均衡和无纯策略 Nash 均衡等。同时，还给出了在潜在游戏和谐波游戏上的显式表达式，并将这些结果应用到一个任意游戏的近似均衡集合的描述中。

May, 2010

本文针对协作游戏的均衡点发现问题，提出了一种基于树分解的全新算法。该算法不仅能实现多项实践和理论上的突破，而且思路新颖、高效，可以直接描述相关策略的多面体，因此可以免费获取在相关策略下的平衡点。实验结果证明其在标准游戏套件上的性能超越了现有所有竞争算法，唯一的例外是一类特定的基准游戏。

Sep, 2021

通过将序列团队游戏转化为经典二人零和游戏，并提供三种信息不损失抽象，本文有效地应用了现有算法于互弈博弈中。

Jan, 2022

研究表明，通过公开玩家策略，可以从常见的收益游戏中摆脱不完美的信息，但同样的方法不能应用于两人零和游戏，该论文提出利用正则化平衡的方法来解决这个问题，以便计算这些均衡点可以被视为完美信息问题。

Jan, 2023

本文扩展了虚拟博弈在混合博弈中的收敛结果，发现合作和竞争具有互相可转换的线性关系，并研究了 FP 在 Shapley game 中的非收敛现象及其充分条件。

May, 2022

该论文证明了，每个零和矩阵游戏的玩家都有一个最优混合策略，且每个玩家都有一个接近最优且大小与对手可选纯策略数的对数成比例的混合策略。对于指数级别的大型游戏，仅代表最优混合策略都需要指数级空间，因此可以找到近似最优、线性大小的策略，并以小见证人的方式存储在内存中。此外文章发现每个语言都有类似的小的识别难题的多规模输入集合，可以创建在多项式时间内无法识别的问题。

May, 2002

本文量化了潜在博弈动态特征的传播，证明了接近潜在博弈的游戏在学习动态上具有类似的特性，同时提出了一个系统的框架来研究有限策略博弈中适应性学习动态的收敛行为。

Jul, 2011

本文提出了一个几何框架来制定零和博弈中的智能体目标，以构建产生开放式学习的自适应目标序列，从而产生比现有算法更强的智能体集合。我们将 PSRO_rN 应用于两个高度非传递性的资源分配游戏，并发现 PSRO_rN 始终优于现有替代方案。

Jan, 2019

研究内容涵盖电子竞技中的机器学习，多代理生成对抗网络的表现力，以及两队博弈中的优化问题和 Nash 均衡解的解决方案。通过考虑全信息反馈下的游戏，对在线学习算法的能力进行了讨论，并提出了一个基于控制论技术的一阶方法用于解决该类问题，该方法能够在某些条件下享有局部收敛性。

Nov, 2021

该研究使用适当的可逆映射，将博弈应用于 Elo 评分，然后返回原始空间来提取博弈的可转移组件，并将其与已知的 sign-rank 概念相联系。

Jun, 2023