研究了在多代理系统中如何利用贝叶斯学习来控制单一代理，从而完成任务并最大化收益，包括如何将证据纳入概率信念中，如何影响长期利润的先验信念以及如何检验推断类型的正确性。

Jul, 2015

本文提供了对于一个多智能体系统，当一个智能体需要在不事先知道其他智能体如何行动的情况下协调行动时，如何计算潜在策略的后验信念，并提出两个关键设计参数的理论指导。

Jul, 2019

本文提出了一种基于频率假设检验的算法，用于构建多智能体的行为假设并且在交互进程中学习其分布，以提高准确性和可伸缩性，同时也可以控制计算成本。

Jul, 2019

通过将有限理性概念与信息论观点相结合，将其融入博弈论框架中以预测自己及其它机器人或人类邻近代理的行为以及在其计算限制下采取行动，模拟与实际实验都证明这种方法可以帮助机器人推理其他代理的不同智能水平并计算出合理的策略。

Oct, 2022

介绍了一种能够帮助代理人处理不确定性的概率信念模型并建议了一种能够捕捉代理人信念状态的简单公理化方法，该方法基于 Reiter 等人开发的行动的一般逻辑理论并在情境演算中进行形式化。

Sep, 1998

本文研究了多智能体应用中利用学习算法计算其他代理行为的后验概率与先验概率，我们发现先验概率对该方法的长期性能可能有显著影响，且影响程度取决于计划范围深度，自动方法可用于计算一致的先验概率，因此可以自动消除先验概率作为手动参数的需求。

Jul, 2019

本文提出一种不需要假定逻辑全知的有限理性归纳代理理论，要求有限理性归纳代理无限次地测试每个高效可计算的假设，然后遵循那些能够实现高奖励的假设。同时，探讨了不同有限理性归纳代理之间的策略交互并证明了有限理性归纳代理可以趋于何种策略的民间定理。

Jul, 2023

介绍人工智能领域中对于开发具有自主性并与其它实体有效交互的代理人的方法，重点讨论了不同建模方法及其基础方法学和前提条件，涉及方法学和实际应用，最后阐述了未来研究的潜在课题。

Sep, 2017

该研究提出类型理论是理解人类如何进行新颖问题思考、解释和猜测的核心组成部分，并以三个实证性观察来证明这一观点：学习和推论的自适应性限制、人们在不可能性和不太可能性之间区分的能力以及人类在不同层次的抽象概念上进行推理的能力。

Oct, 2022

本文探讨在现实生活中的许多售卖、购买、匹配以及投票机制并不完全契合于激励兼容这一原则，提出了基于样本的技术来估算机制偏离激励兼容的程度，主要应用于单项商品拍卖、组合式先价拍卖以及各种其他拍卖方式，并且测算估算代理人在给定价值分布时通过误报自身特征获得收益的能力。

Feb, 2019