本研究使用PAC模型，直接学习对手响应功能，通过实验验证了新的对手建模方法，在提高对手模型准确性时，探讨了实际需要的数据量，提供了最佳防御策略的条件。

Oct, 2015

该论文提出了稳定对手塑造方法，该方法通过插值实现了区分对手学习（LOLA）和稳定对手塑造的最佳属性，并在可微分游戏中表现出卓越的性能。

Nov, 2018

该论文提出了一种统一的学习理论方法来建模经济问题，通过适应解决方案概念学习域的函数空间维数的概念 - 图形维度 - 建立工具，识别了解决方案概念的PAC可学习性的充分条件，并说明现有作品中的结果可以立即使用我们的方法来推导。最后，我们将我们的方法应用于其他经济领域，得出了PAC竞争均衡和PAC Condorcet胜者的新概念。

Mar, 2019

这篇文章研究联邦学习的优化问题，采用博弈论的思想将联邦学习看作互动的hedonic game，提出了一种基于平均误差率的最优性概念，并给出了一种计算最优解的高效算法。文章还分析了稳定性与最优性的关系，并证明了稳定解与最优解差距的上限为9。

Jun, 2021

通过在LOLA算法中引入一种方法称为Consistent LOLA，其中学习更新功能在彼此影响时保持一致，作者在广义和游戏模型中进行了一系列实验，发现这种方法比HOLA和LOLA更容易收敛，并能够找到更加符合社会期望的解决方案。

Mar, 2022

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

多智能体学习在网络游戏中表现出复杂的动态特性，通过研究Q学习的动态特性，确定了在任何网络游戏中收敛到唯一均衡的充分条件，并且在适当的网络条件下，可以实现任意数量智能体的稳定学习动态。

Jul, 2023

通过研究正则化的无悔学习方法在有限游戏中的长期行为，我们发现玩家的实际策略如何随时间演变的理解非常有限，同时发现只有严格纳什均衡是稳定吸引的，进而揭示了玩家的日常对策的集合有理性的特性。我们进一步刻画了相应集合的稳定和收敛速率，并表明基于熵正则化的方法以几何速度收敛，而基于投影的方法在有限次迭代内收敛，即使是在带有被动反馈的并发奖励的情况下。

Nov, 2023

Hedonic Games are modeled for coalition formation with core-stability using the concept of ε-fractional core-stability, where at most ε-fraction of all possible coalitions is allowed to core-block, and efficient algorithms are designed to find an ε-fractional core-stable partition for Simple Fractional and Anonymous classes of Hedonic Games.

Nov, 2023

本研究针对多智能体学习中非线性偏好的问题，提出了凸马尔可夫博弈的框架，该框架允许对状态占用度量的广泛凸偏好进行处理。实验结果表明，该算法在囚徒困境中提供了高效的公平解，同时在模仿人类决策时能显著提高单个参与者的效用。

Oct, 2024