本文研究了针对多个相互依赖的资产的分散防御策略，并分析了人类决策行为在网络安全中的影响。研究发现，在某些网络拓扑结构下，此类人类行为可能导致次优效应并且防御策略不协调。此外，当有多个防御者参与网络安全时，该模型仍然存在一种 Nash 均衡解，这种解与中央集权最优解之间存在着固有的效率不一致性。

Jan, 2020

本研究考虑了一类网络安全游戏，其中每个节点选择个人的安全投资水平，研究了行为决策理论对节点最优投资策略和纳什均衡下安全风险配置的影响，并对 Total Effort，Weakest Link 和 Best Shot 游戏的均衡投资进行了表征。

Oct, 2015

通过预测人类在经济资本决策任务中的选择来测试行为决策理论在预测人类行为方面的帮助作用，并发现将某些行为理论作为机器学习系统特征进行集成提供了最佳预测结果。同时，我们发现预测人类决策最有用的理论是建立在人类和动物学习的基本属性之上，与主流拓展类决策理论有很大不同。此外，我们发现理论特征不仅应基于定性行为见解（例如损失厌恶），还应基于具有功能描述性模型生成的定量行为远见（如前景理论）。我们的分析提出了一个推导出可解释且有用的人类决策预测的方法。

Apr, 2019

研究表明，通过使用数据驱动的预测模型作出的决策越来越多，对于这些决策的影响，对于个人和社会，决策者透明公开的政策也就越来越重要。我们的研究目标是找到在具有策略性投资的情况下，对于实用性最优的决策策略，在我们的研究中，我们首先表征了个体策略性努力投资如何导致特征分布的变化，然后提出了一种适用于多种情况的最优决策策略的搜索方法，并根据合成和现实数据的实验结果，说明了我们算法找到的决策策略比没有考虑策略性的决策策略的实用性要高。

May, 2019

针对人类决策中的认知偏差设计网络防御系统已经取得了显著的成功，但该领域的研究主要集中在相对简单的攻击者认知偏差上，关于对抗行为或通过破坏攻击者行为来提高防御效果的研究较少。本文提出了一种受 Instance-Based Learning Theory，Theory of Mind 和 Transfer of Learning 认知能力启发的新型人类决策模型，通过在安全场景中从防御者和攻击者角色中学习，并对对手的信念，意图和行动做出预测，以更好地抵御各种攻击，这个模型明确建模了人类学习的转移，对网络安全具有实际应用的潜在价值。

Jun, 2023

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

利用机器学习系统进行个体决策的智能行为研究，提出了基于 Stackelberg 博弈的模型，探讨了决策者对个体行为的预期能力对其目标函数和个体最佳反应的影响，并通过调整偏好，同时抑制操纵、鼓励改进和促进公平。

May, 2024

本文研究了一个涉及人类决策者群体的二元假设检验问题，通过信念模型来描述人类决策者对观测到的现象的感知，并使用加权 Chair-Varshney 规则融合人类决策。

Jan, 2023

本文首先以强化学习为基础，设计一个模型来模拟多人市场模拟中的交易代理。然后，将人类的次理性分为两种类型：心理偏见和计算能力问题，探讨了人类次理性对交易市场不同方面的影响。作者认为本研究将有助于进一步了解人类交易行为和行为金融学领域的发展。

Oct, 2022

该研究通过多智能体系统中代理行为建模的方法，探究在不确定性环境中如何解决代理之间信息不对称和隐私保护导致的建模不足问题，并提出了一种基于多样性特征的新颖行为选择方法，为在开放性人工智能世界中解决未知未知问题提供了思路。

Mar, 2022