该研究旨在通过在 extensive-form games 中进行 behavioral deviations 来开发一种回顾性理性的学习算法，该算法采用 counterfactual regret minimization 策略，并能适用于任意给定的行为偏差集合，通过实验表明在不同的 deviation types 中，EFR 通常表现更好。

May, 2022

本文提出 “Hindsight Rationality” 方法，基于 Counterfactual Regret Minimization（CFR）和 Extensive-Form Regret Minimization（EFR）算法，通过对行为偏差进行形式化建模实现单一智能体的无悔动态和多重智能体的中介平衡，同时以时间选择为核心思想，实现了序列决策环境下的渐进准确解计算。

Feb, 2021

本文研究多人随机博弈中同时学习的问题，通过生成算法获得相关均衡，包括 extensive-form correlated equilibrium 和普通 coarse correlated equilbrium，并提供了一些能够多项式时间内解决的特殊情况。

Oct, 2022

该论文研究了多人游戏中，玩家间某种形式的通信建模的解概念，着重探讨了顺序博弈中的粗糙相关均衡（CCEs）并提出了 CFR 及其变体算法，其中 CFR-Jr 的效率比 CFR-S 和当前最先进的计算 CCEs 算法都要快且可行。

Oct, 2019

本文提出了第一种高效算法用于学习通过较粗的相关均衡 (CCE) 和相关均衡 (CE) 合理化行为的多智能体学习，这些算法的样本复杂度与所有问题参数（包括玩家数量）的多项式成正比，同时还开发了一种新的高效算法来找到一个合理化的行动规划（不一定是均衡），该算法的样本复杂度显著优于现有结果。算法采用了几种新技术来同时保证理性和无择性遗憾，包括相关探索方案和自适应学习速率。

Oct, 2022

本文研究了在完备回忆且 n 个玩家泛化和值和的博弈中，如何从简单无耦合的后悔最小化学习动力学中导出 EFCE。研究结果提供了第一个收敛于 EFCE 的无耦合动力学，为该领域解决了开放性问题。

Apr, 2021

使用 CFR 框架开发算法以解决行为约束的 extensive-form games，同时计算近似 Nash 平衡改进。比标准算法更好，收敛速率与最先进的 Nash 平衡计算算法相当。

Nov, 2017

通过研究不完全记忆下的最优决策问题，我们分析了广义形式博弈中多个解概念（纳什均衡、基于证据决策理论的多个自体以及基于因果决策理论的多个自体）下，在多人情景中寻找均衡的计算复杂性，同时关注精确和近似解的计算。我们将单人游戏、两人零和游戏与最小最大值以及没有外在随机性（几率节点）的游戏作为特例，并将这些问题与复杂性类 P、PPAD、PLS、Σ₂ᴾ、∃R 和∃∀R 联系起来。

Jun, 2024

本文探讨了贝叶斯博弈的均衡概念，包括相关均衡、通信均衡，推导出基于均衡对策的博弈稳定状态的实现方法，提出一种满足稳定、高效、优化多个博弈均衡的新均衡概念。

Apr, 2023

本文研究了基于遗憾的算法在连续游戏中寻找近似的纳什均衡，针对反事实遗憾最小化（CFR）算法存在的表示收敛的缺陷，提出了一些基于树形复合结构的乐观遗憾最小化算法，并给出了实验证明其在求解连续游戏时的有效性。

Jun, 2021