本论文提出了一种基于贝叶斯概率模型的智能扑克方法，通过分离游戏动力学和对手策略的不确定性，采用狄利克雷先验测试了对手的策略概率，对于对手的后验分布提出有效的对策，该方法在德克萨斯Hold'em中得到了应用。

Jul, 2012

使用递归推理、分解和深度学习自主学习的一种直觉，结合理论支撑，DeepStack算法用于处理不完全信息下的决策，并在44000手牌的实验中，在无限制德克萨斯扑克的头对头对决中，显著击败了职业扑克玩家，生成了更难被利用的策略。

Jan, 2017

该篇论文提出了一种通过让对手在深度限制处选择多个策略之一来在不完美信息游戏中进行有原则的深度限制求解的方法，证明了这种方法的有效性，并建立了一个仅使用4核CPU和16GB内存就可以击败之前的两个顶级代理的大师级德州扑克AI。

May, 2018

本文介绍了选择解决算法问题子集的信息论方法，并在GVGAI游戏中测试得到较小的游戏集，在测试代理时具有高区分能力。此方法可扩展到研究游戏设计的有效方差，并确定不同游戏之间的不同之处。

Sep, 2018

本文介绍了一种针对信息不完全的EFGs，应用基础估计值减少方差的方法，提高了现有技术的效益， 并提出了新的基线功能，其中一种选择——预测基准线——在特定的采样方案下是可证明最优的。

Jul, 2019

本文探讨在不完全信息条件下对学习到的多智能体策略进行评估的方法，提出了基于图的博弈论解决方案概念的alpha-Rank评分方法，并提出了适应性算法，利用Bernoulli游戏、足球元游戏和Kuhn扑克等多个领域评估了这些方法的性能。

Sep, 2019

本文介绍了 DecisionHoldem，一种高级 AI，可通过安全深度限制子游戏解决来降低对手的可能手牌范围，以减少策略的可利用性，实验结果表明，DecisionHoldem 战胜了 heads-up no-limit Texas hold'em 扑克中最强的公开可用代理 Slumbot 和 Deepstack 的高水平繁殖，即 OpenStack，超过了 730 mbb/h 和 700mbb/h。此外，我们公开了 DecisionHoldem 的源代码和工具，以促进不完全信息游戏中的人工智能发展。

Jan, 2022

本研究探讨了面对多个对手的策略交互游戏，使用对手建模和观察对手策略等技术，超越纯理性策略的表现。

Dec, 2022

我们介绍和分析了子游戏分解中过滤历史的计算方面和可处理性，揭示了深度有限搜索通过子游戏分解在不完全信息环境下进行顺序决策的时机和方式。

Nov, 2023

PokerGPT使用增强学习人类反馈技术，通过将真实游戏记录转化为提示信息，将LM模型细化，从而解决了德州扑克等不完全信息游戏中的问题，在获胜率、模型大小、训练时间和响应速度等方面优于之前的方法。

Jan, 2024