对抗性游戏中的决策分析

Jul, 2022

A Survey of Decision Making in Adversarial Games

Xiuxian Li, Min Meng, Yiguang Hong, Jie Chen

TL;DR本文从多个角度对对抗博弈中三种主要的游戏模型（零和标准型和扩展型游戏，Stakelberg 安全游戏和零和微分游戏）进行了系统的调研，涵盖了游戏模型基础知识，平衡概念，问题分类，研究前沿，最优策略寻找技术，主要算法和实际应用，并探讨了未来的研究方向。

Abstract

game theory has by now found numerous applications in various fields, including economics, industry, jurisprudence, and artificial intelligence, where each player only cares about its own interest in a noncooperative or cooperative manner, but without obvious malice to other players. H

game theory adversarial games equilibrium concepts optimal strategy seeking techniques practical applications

发现论文，激发创造

多人零和游戏中解决联盟困境的学习

本研究通过对称的零和矩阵游戏，证明了联盟形成可以被看作是一个社会困境，并且实证表明，在多代理强化学习中，天真的方法往往失败。同时，我们引入了点对点的合约机制来发现和执行联盟。最后，我们将我们的代理模型推广到了包括时间延伸合约的情况，并提出了进一步研究的机会。

Feb, 2020

广泛博弈对抗团队游戏的计算结果

我们提供了这是我们所知的第一次对广泛形式的对抗性团队博弈进行计算研究。通过分别定义三种不同的通讯能力场景，我们研究了团队成员之间的通讯对解决方案的影响，同时也考虑了一些计算复杂性问题。最终通过实证研究来展示其可扩展性和不同通讯能力场景下的不足效率。

Nov, 2017

对抗性团队游戏的公共信息表示

通过将序列团队游戏转化为经典二人零和游戏，并提供三种信息不损失抽象，本文有效地应用了现有算法于互弈博弈中。

Jan, 2022

对抗样本博弈中的混合纳什均衡

从博弈论的角度解决对抗性样本的问题，研究攻击者和分类器组成的零和博弈中混合纳什均衡的存在问题，提出了一种优化算法来学习近似实现该博弈价值的分类器混合策略。

Feb, 2021

多防御者安全博弈

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

对抗对手下的学习马尔科夫博弈：高效算法与基本极限

本文研究了在零和游戏中应用没有遗憾学习算法对抗自适应对手并取得最优结果的问题，并给出了一组正负结果，其中提出的新算法在普通的策略类别小或对手策略类别小时，可取得平均的 regret 较小的结果。

Mar, 2022

使用斯塔克贝格博弈实现对抗深度学习的最佳对抗准确性

该论文使用博弈论和 stackelberg 均衡的概念，以串行博弈的形式来研究实际情况下 DNN 分类器的最优鲁棒性和最优对抗样本问题，探讨了分类器的鲁棒性和准确性之间的平衡问题。

Jul, 2022

安全博弈中对手行为的端到端游戏集中学习

本文介绍了一种新的以博弈为重点的方法，以解决对于一个新的特征值和组合的目标普遍化防御的问题，结果表明在数据受限的情况下，这种方法可实现比传统方法更高的防御者预期效益。

Mar, 2019

安全博弈之谜：平衡计算成为组合算法设计

该论文从理论的角度考虑了安全博弈，并提供了各种安全博弈模型的统一视角。研究发现，安全博弈的复杂性在本质上由集合系统 E 确定。

Mar, 2016

对抗训练应被视为非零和博弈

深度神经网络中的对抗训练存在过拟合和鲁棒性不足等问题，提出了基于双层博弈的非零和对抗训练框架，通过博弈中玩家优化不同的目标函数，取得了与标准对抗训练算法相当的鲁棒性，且不受过拟合的影响。

Jun, 2023