本文旨在在战略环境下寻找最优的政策和对策解释，包括 NP 难的问题，非降性和子模性，用标准贪心算法获得近似保证。最后，我们表明通过将拟阵约束加入问题的制定中，我们可以提高对策解释的最优集合的多样性，并激励整个人口谱上的个体自我改进。

Feb, 2020

研究算法决策对长期影响的动态学习设置，通过对决策规则和个人投资之间的互动进行建模，表明通过分组复制规则和投资成本补贴两种干预措施可实现更好的长期结果，但前提是要考虑到组内异质性以及可实现性的影响。

Oct, 2019

该研究探讨了在人类战略行为下的算法决策问题，其中决策者通过算法为人类代理制定决策，而后者在了解算法信息的情况下可以通过战略性努力逐渐改善以得到有利的决策。通过构建动态模型，本文分析了持久改进的特性，并基于此构建了 Stackelberg 博弈模型来描述代理与决策者之间的相互作用。在分析了策略平衡的基础上，还研究了决策者如何设计最佳策略以激励代理人口中最大幅度的改进。此外，本文还扩展了模型以包括 1）代理人可能不诚实并操纵算法做出有利但错误的决策；2）诚实努力是容易忘记的并不能保证持久改进。在扩展模型中，我们进一步研究了代理人在何种条件下更倾向于诚实努力而不是不诚实行为，以及容易忘记努力的影响。

May, 2024

个性化定价策略探讨了与策略性购买者的上下文动态定价问题，并提出了一个战略动态定价策略，该策略能够最大化卖方的累积收入，并能同时估计估值参数和成本参数，从而达到 O (sqrt (T)) 的遗憾上界。

Jul, 2023

本文研究在存在战略个体行为的情况下的算法决策，其中使用机器学习模型作出对人类个体的决策，而后者可以战略性地调整自己的行为以改进其未来的数据。研究重点在于非线性设置，其中个体只能通过决策策略的本地信息来响应决策策略。同时考虑最大化决策者福利（模型预测准确性）、社会福利（战略行为导致的个体改进）和个体福利（机器学习对个体的低估程度）的目标。理论结果表明，仅仅最大化某些参与方的福利必然会减少其他方的福利，因此我们认为在非线性设置中平衡各方福利是必要的，并提出了一种适用于一般战略学习的不可缩减优化算法。通过对合成数据和真实数据的实验证实了所提算法。

May, 2024

对在线评估工具进行策略应对的研究表明，在考虑个体决策者和决策机构间多次周期策略互动的情况下，多轮互动使得决策机构更加有效地激励个体决策者朝期望的方向累积努力，并考虑延长时间框架和考虑决策累积的很多关键因素需要加以研究和解决。

Jun, 2021

本文主要研究基于观测数据的离线多行动策略学习问题，特别地，该策略可能需要遵守预算约束或属于受限策略类，如决策树，提出了一个算法实现，能够达到渐近最小化风险后悔，这是在多行动设置中的首次结果，对于现有的学习算法有大幅度的性能提升。该文提出了两种不同的方法来解决当策略被限制为采用决策树形式时出现的附加计算挑战，一种方法使用混合整数方案，另一种方法使用基于树搜索的算法。

Oct, 2018

本文提出了在实现线性设置中优化三种不同决策者目标的决策规则的有效算法，包括准确预测智能体事后结果 (预测风险最小化)，激励智能体改进这些结果 (智能体结果最大化)，以及估计真实基础模型的系数 (参数估计)。其中的算法绕过了 Miller 等人的一个困难结果，允许决策者测试一系列决策规则并观察智能体的响应，从而通过决策规则实现因果干预。

Feb, 2020

通过因果推断和约束优化方法学习公平政策，解决敏感情境下数据分析中存在的多个潜在偏见，避免自动决策程序和学习算法继续存在不公平现象。

Sep, 2018

本文提出了两种启发式策略，通过动态规划建立了最优总成本的下界，研究了信息获取率和可靠性的极限，证明了第一个启发式方法的渐近最优性，同时分析了第二个启发式方法在有噪声动态搜索问题中的性能。

Mar, 2012