本文提出一种针对不完全信息的博弈模式下具有更快学习速度的学习动态方案，并对其进行实验验证。其中，主要技术贡献为通过预测实现加速 Phi-regret 最小化，并通过对于有结构的马尔科夫链的细致扰动分析，表征与之相关的 fixed points 的稳定性。

Feb, 2022

本文提出了一种新的算法来计算具有广泛相关性平衡的解，该算法基于一个新的双线性鞍点问题的解。此外，我们还介绍了两个基准游戏，探究冲突解决和协商领域中的广泛相关性平衡的质量特征。

May, 2019

本文通过介绍粗糙相关性和其在博弈理论中的应用，着重研究了粗糙相关性在博弈模型中的实际意义，并提出了一种新的算法，使得博弈模型的求解更加高效。

Aug, 2019

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

提出了新的技术，将 DFG 的技术用于解决内部遗憾和交换遗憾，从而使得多人游戏中的学习动态能够收敛到近似相关均衡，同时分析了 Blum 和 Mansour 算法中的近似最优遗憾保证。

Nov, 2021

本文研究了去中心化多智能体强化学习问题中的不后悔算法，并探讨了自主学习能否在标准 Markov 博弈框架中实现无后悔学习。结果表明，无论是已知还是未知的博弈，该问题都无法以多项式时间实现无后悔学习，该文贡献了理论证明支持，提出了基于集聚方法的创新性应用，并发现了 SparseCCE 问题的下限，从而说明了近年来学者对于该问题的研究成果，并对博弈理论和强化学习算法研究方向提出了新的思考。

Mar, 2023

研究了针对不同类型的协同均衡的最优相关策略问题，提出了相关 DAG 表示方法和双面列生成算法来计算最优策略并探讨其复杂性分析，探究了一些新的基准博弈。

Mar, 2022

本文研究了 no-regret 动力学中最常被考虑的动态系统之一 - Follow-the-regularized-leader 的行为，证明了非严格的纳什均衡对于 no-regret 学习是不稳定的且不能吸引该动态系统的稳定状态，因此只有严格的纳什均衡是 no-regret 动力学的稳定限制点。

Oct, 2020

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

通过适应性算法的考虑以确保比修改行为所能达到的结果更好，我们可以基于相关学习动态产生新的博弈理论分析，这样做比基于平衡策略算法更加有效，因为前者可以处理非零和多人博弈问题。我们重新审视了博弈理论中的中介均衡和偏差类型，证明了没有可行的概念包含所有其他类型，并引出了一个追溯与规避策略算法的平衡类别的定义。

Dec, 2020