研究马尔可夫博弈中信息不对称和错误信息导致的安全威胁，通过考虑一名攻击者玩家散布关于其奖励函数的错误信息来影响受害者玩家的行为，我们推导了在最坏情况理性下受害者的策略，并提出了基于线性规划和反向归纳的多项式时间算法来计算攻击者的最优最坏情况策略，在受限的奖励函数集合中找到最优的错误奖励函数，我们的方法利用了理性的普遍假设来高效计算攻击，因此，我们的工作揭示了在错误信息下由标准游戏假设引起的安全漏洞。

Jun, 2024

本文提出一种解决在社交网络中平衡信息暴露的问题的算法，通过使用近似算法来找到两组节点，以使两组节点的信息曝光在整个网络中基本上保持平衡。

Sep, 2017

我们在非完全信息博弈和具有多个狼人的进化博弈的框架中探讨了鸡尾酒派对效应引起的信息干扰状态。我们通过数学建模和分析，研究了每种策略选择的收益和进化稳定策略（ESS）的形成过程对假新闻污染风险的影响，前提是假新闻的污染风险在重复困境中是随机分配的。我们将详细介绍计算过程，从收益矩阵的构建开始，使用复制方程对进化动力学进行建模，并确定 ESS。此外，我们将进行数值模拟，观察系统在不同初始条件和参数设置下的行为，以更好地理解假新闻传播对策略演化的影响。这项研究将为当代社会关于信息真实性的复杂问题提供理论洞察，并扩展进化博弈理论的应用范围。

Feb, 2024

介绍了一种应对社交网络中误导信息的解决方案，利用随机和非恒定多重背包问题得出一种新的算法，使用学习自动机来实现公平分配，以实现对社交网络用户的公正影响。

Mar, 2022

本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

Jan, 2014

社交媒体平台在信息传播中起着重要作用，本研究旨在通过识别和分类新闻，解决社交媒体平台上虚假消息和不可验证事实的传播问题，提出了基于图模型的概率马尔可夫信息传播模型，并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。

Oct, 2023

本文研究了在图形网络游戏中使用分布式八卦方法寻找纳什均衡的方法，介绍了干扰图和通信图的概念，设计了通信图以使玩家仅交换必要的信息，证明了使用干扰和通信图的八卦方法在收敛步长逐渐缩小的情况下能够几乎一定收敛于纳什均衡。

Mar, 2017

本文提出了一种基于标记时间点过程的灵活表示方式，开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。

Nov, 2017

本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性，以确保用户暴露于不同的观点，而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素，该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题，并设计了可扩展的近似算法。实验结果表明，该算法在多个真实世界的数据集上运行效率和可扩展性良好。

Sep, 2018

我们模拟独立强化学习算法在 Crawford 和 Sobel (1982) 的战略信息传输游戏中的行为，显示出训练一起的发送方和接收方收敛到接近游戏先验最优均衡的策略，从而在代理之间的利益冲突程度给出的前提下，按照 Nash 均衡预测发生最大程度的通信。我们发现这个结论在超参数和游戏的替代规范下是稳健的。我们讨论了对信息传输游戏中均衡选择理论、计算机科学中算法间新兴通信的作用以及市场中由人工智能代理人组成的勾结经济的影响。

Oct, 2023