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

研究了多个防御者在安全游戏中的战略互动，提供了三种不同情形下平衡和代价分析的结论，并开发了一种新的混合整数线性规划公式来计算防御者的最佳反应，以便近似计算游戏的 Nash 平衡点，并将其应用于多个网络模型，包括现实世界的电网，从而揭示了网络结构及故障传播概率是防御者过度或过于低估安全性的决定因素。

May, 2015

通过游戏理论框架、制定策略的规则以及算法方法，能够应对攻击者的不当操纵行为，优化防守方的增益

May, 2019

本篇综述关注强化学习在 Stackelberg 安全博弈中的建模，重点在于探讨强化学习算法中目标表示的可能改进和代理控制目标的能力评估，这种方法已经成功应用于类似非法走私、偷猎、森林砍伐、气候变化、机场安全等现实世界场景。

Nov, 2022

该论文使用博弈论和 stackelberg 均衡的概念，以串行博弈的形式来研究实际情况下 DNN 分类器的最优鲁棒性和最优对抗样本问题，探讨了分类器的鲁棒性和准确性之间的平衡问题。

Jul, 2022

该研究探讨了在防御范围不同时，混合策略在安全游戏中的应用，并提出了一种高效的补丁算法来计算使用少量纯策略的混合策略。研究发现，对于一般的防御要求设置，计算概率最优防御策略是 NP 难问题。

Apr, 2022

Stackelberg 博弈是算法博弈论的一个重要应用，通过引入附加信息和在线设置，可以实现无遗憾学习。

Feb, 2024

本文研究了使用 Stackelberg 博弈模型在安全领域的应用。在 leader-follower 模型中，一个 leader 可能面临着关于 follower 的监视能力的不确定性问题。本研究提出了五个方案和扩展形式博弈模型，以解决这个问题并阐明 Nash 均衡的特点。

Jan, 2014

我们研究了一个 IT 基础设施的自动化安全响应，并将攻击者和防御者之间的交互形式化为一种部分观察到的非稳定游戏。我们通过估计模型的概率性猜想来捕捉基础设施和玩家意图的不确定性，利用贝叶斯学习和回滚的方法在线学习有效的游戏策略，并证明了推测收敛于最佳拟合，并提供了基于推测模型的性能改进的界限。我们提出了 Berk-Nash 均衡的一种变体来刻画游戏的稳态。通过一个高级持续威胁的使用案例来展示我们的方法。基于测试平台的模拟研究表明，我们的方法能够产生适应不断变化的环境的有效安全策略，并且我们还发现相比当前的强化学习技术，我们的方法能够实现更快的收敛。

Feb, 2024

研究了包含多个卫士和时间表的安全游戏，发现时间表的引入可能导致平衡不存在，但在特定条件下，能够在多个卫士的游戏中以多项式时间计算避免平衡不存在的问题。

Nov, 2023