Incentive Design for Large Congestion Games: Publicness-Specific Bayes Correlated Wardrop Equilibrium (Extended Abstract)
在匿名拥塞博弈中，参与者（旅行者）的出行成本取决于他们对路线的选择，也取决于交通网络的状态，如事件，天气和道路工程。在这个扩展的抽象，我们考虑一个不完全信息的环境中，状态的实现是不可观察的旅行者。我们研究了一个规划者如何通过战略性地设计旅行者如何获得关于状态实现的信息来激励旅行者做出对她有利的行为。
2022-07-19 cs.GT
Efficient Decomposition of Bimatrix Games (Extended Abstract)
利用双矩阵对策集的代数结构，提出了一种求解纳什均衡的分治算法。该算法是固定参数的易处理的参数的最大不可约部分的游戏。该算法的实施示出产生一个显着的性能提高小参数的输入。
2014-04-03 cs.CC cs.GT
Tron, a combinatorial Game on abstract Graphs
我们研究了组合二人游戏Tron。我们回答一般图的极值问题，也考虑较小的图形类。Bodlaender和Kloks在[2] PSPACE-完整性中进行了猜想。我们证明了这个猜想。
2011-10-14 cs.CC cs.DM cs.GT
Functional Dependence in Strategic Games (extended abstract)
本文研究了多人策略对策纳什均衡中局中人策略间函数依赖的性质。主要关注的是在支付函数的固定依赖图的上下文中函数依赖的属性。提出了一个描述任意给定图的函数依赖性质的逻辑系统，并证明了该系统是完备的。
2013-03-04 cs.GT cs.LO
Applying Abstract Argumentation Theory to Cooperative Game Theory
King’s College London（伦敦国王学院）
我们应用抽象论证理论的思想来研究合作博弈论。在他的开创性论文的基础上，我们进一步的对应关系，Dung的四个论证语义和解决方案的概念，合作博弈论的完整扩展（接地扩展）对应罗斯的子解（分别为，超核心）。然后，我们调查之间的关系，有理有据的论证框架和凸游戏，在每种情况下的语义（分别解决方案的概念）相吻合，我们证明，三人凸游戏一般没有有理有据的论证框架。
2020-01-03 cs.AI cs.GT cs.MA
Games on graphs with a public signal monitoring
我们研究纯纳什均衡在图上的不完美的监测的基础上的公共信号。在这样的游戏中，偏差和对这些偏差负责的玩家可能很难检测和跟踪。我们提出了一个通用的认知游戏的抽象，它方便地允许代表这些偏差的球员的知识，并给出了纳什均衡的特征在抽象的获胜策略。然后，我们使用抽象来开发一些支付函数的算法。
2018-02-26 cs.GT cs.LO
Predicting Winning Regions in Parity Games via Graph Neural Networks (Extended Abstract)
German Aerospace Center (DLR)（德国航空航天中心（DLR））；University of Stuttgart（斯图加特大学）
针对奇偶博弈求解缺乏多项式最坏情况复杂度算法的问题，提出一种基于图神经网络的不完备多项式时间方法来确定获胜区域，在900个随机生成的博弈上验证了其有效性与高效性。
2023-07-27 cs.GT cs.LG
A Semi-Potential for Finite and Infinite Sequential Games (Extended Abstract)
我们考虑一个动态的方法来序贯游戏。通过限制转换关系的战略配置文件，我们得到一个半潜在的（在Kukushkin的意义上），我们表明，在有限的游戏中，相应的限制更好的反应动态将收敛到一个纳什均衡在二次时间。收敛发生在每个参与者的基础上，即使存在循环偏好的参与者，非循环偏好的参与者也会稳定下来。因此，我们得到了一个候选概念的合理性存在的非理性代理。此外，对可兑换性的限制可以通过保守地更新对其他参与者策略的信念来证明。对于无限序列博弈，如果偏好由连续支付函数给出，我们可以保持收敛到纳什均衡（在某种意义上）;或者如果博弈的结果集是Delta^0_2集，我们可以获得超限收敛。
2016-09-14 cs.GT cs.MA
Abstracting Imperfect Information Away from Two-Player Zero-Sum Games
Carnegie Mellon University（卡内基梅隆大学）；Mila, Université de Montréal（蒙特利尔大学米拉研究所）；Meta AI；Bosch Center for AI（博世人工智能中心）
本文证明某些正则化均衡不存在公开策略宣布导致的不对应问题，可视为完美信息计算，从而为两人零和博弈的决策时规划提供简化框架。
2023-07-31 cs.AI cs.GT cs.LG
Computational Extensive-Form Games
我们定义的解决方案的概念，适当的计算有限的球员玩一个固定的有限游戏。要做到这一点，我们需要定义一个\emph{computational game}（在某种适当的意义上，它是一个不断变大的博弈序列）表示一个有限的底层扩展形式博弈的含义。粗略地说，我们要求序列中的所有博弈都具有与底层博弈基本相同的结构，除了两个不可区分的历史（即，在相同的信息集合中）可以对应于在计算游戏中仅在计算上不可区分的历史。我们定义了计算博弈的纳什均衡和序列均衡的计算版本，并表明每个纳什均衡（分别为，序列）均衡对应于计算纳什（分别，计算游戏中的均衡。我们的方法的一个优点是，如果一个密码协议表示一个抽象的游戏，那么我们可以分析它的战略行为在抽象的游戏，从而分离的密码分析的协议从战略分析。
2015-06-09 cs.GT
Policy Abstraction and Nash Refinement in Tree-Exploiting PSRO
Michigan Tech Research Institute（密歇根理工研究所）；University of Michigan（密歇根大学）
本文改进 TE-PSRO，以 DRL 隐式策略表示可扩展经验博弈树，并用广义逆向归纳计算 SPE 指导探索，实验证明其较 Nash 均衡更快收敛且资源开销合理。
2025-02-15 cs.AI cs.GT
Specifying a Game-Theoretic Extensive Form as an Abstract 5-ary Relation
本文提出用满足八个公理的5元关系（pentaform）来规范博弈论扩展形式，并构造了pentaform博弈与传统博弈之间的直观双射，同时探讨了其在子博弈和完美回忆等方向的应用。
2024-09-30 cs.GT cs.LO econ.TH
Game-Theoretic Models of Moral and Other-Regarding Agents (extended abstract)
West University of Timi s oara
我们研究有限范式博弈中的康德均衡，这是最近在经济学文献中提出的一类非纳什的、道德动机的行为过程。我们强调了一些问题，这样的均衡，包括计算的棘手性，高价格的失调，和有问题的扩展一般范式游戏。我们给出了这样一个推广的基础上的概念的程序平衡，并指出，一个实际相关的推广可能不存在。为了弥补这一点，我们提出了一些一般的，直观的，计算上容易处理的，其他有关的平衡，是特殊情况下的康德平衡，以及一类行动课程，纯粹的自我考虑和康德行为之间的插值。
2021-06-22 cs.AI cs.GT cs.MA
Common Belief in Choquet Rationality and Ambiguity Attitudes -- Extended Abstract
我们考虑有限的游戏在战略形式与Choquet期望效用。使用的概念（毫不含糊地）相信，我们定义Choquet合理性和特征的Choquet合理性和共同的信念，Choquet合理性的普遍能力类型空间中的一个纯粹的可测量的设置。我们还表明，Choquet合理化相当于迭代消除严格占主导地位的行动（不是在原来的游戏，但）在一个扩展的游戏。这允许计算Choquet有理化行动，而不需要首先计算Choquet积分。Choquet期望效用允许我们研究模糊性爱/厌恶的共同信念。我们表明，模糊的爱/厌恶导致更小/更大的Choquet合理化的行动配置文件集。
2019-07-22 cs.GT cs.LO
Deriving the Pure Price of Anarchy for Networked Resource Allocation Games
University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Politecnico di Torino（都灵理工大学）
本研究提出线性规划方法，为任意信息网络和系统目标推导最优纯无政府状态价格，并证明超模目标下完全禁止通信的效用设计最优，子模目标下设计具鲁棒性。
2026-09-14 cs.GT cs.MA cs.SY
On an unified framework for approachability in games with or without signals
我们统一的标准框架，无论是在全部或部分监控的可接近性定义了一个新的抽象游戏，称为“纯粹的信息游戏”，在每个阶段的结果是最大的信息玩家可以获得，表示为一些概率测度。玩家的目标可以重写为这些概率测度的平均值序列的收敛（到某个给定集合）。我们得到了新的结果扩展的可接近性理论开发的Blackwell此外，这个新的抽象框架使我们能够描述可接近集，像往常一样，一个非常简单和清晰的凸集的重新制定。将这些结果转化为原来的博弈，成为任意集合可逼近的第一个充分必要条件，它们覆盖和推广了以前已知的凸集结果。我们还研究了一类特定的游戏，由于一些不寻常的定义的平均值和凸性，我们再次获得了一个完整的表征的可接近的集合，随着收敛速度。
2013-01-16 cs.GT math.OC
The Quality of Equilibria for Set Packing Games
我们引入集包装游戏作为一个抽象的情况下，$n$自私的球员选择一个有限的不可分割的项目集的子集，并分析这类游戏的几个均衡的质量。假设球员能够近似发挥均衡策略，我们表明，所得到的均衡解决方案的总质量是只有适度次优。我们的研究结果是紧边界的无政府代价的三个均衡概念，即纳什均衡，子博弈完美均衡，和一个均衡的概念，我们称之为$k$ -勾结纳什均衡。
2017-09-29 cs.GT
Nash equilibria in games over graphs equipped with a communication mechanism
我们研究纯纳什均衡在无限持续时间的游戏图，部分可见性的行动，但通信（基于图）之间的球员。我们表明，一个简单的通信机制，包括在报告的偏差时，看到它和传播这些信息是足够的特征纳什均衡。我们提出了一个认知游戏的结构，它方便地记录重要信息的知识的球员。有了这个抽象，我们能够描述纳什均衡遵循简单的通信模式，通过获胜的策略。我们最后讨论的建设，这将允许有效的算法解决方案，以计算纳什均衡在原来的游戏的大小。
2019-06-25 cs.GT
Acyclicity of Preferences, Nash Equilibria, and Subgame Perfect Equilibria: a Formal and Constructive Equivalence
1953年，库恩通过展示博弈论中称为“逆向归纳”的程序产生纳什均衡，证明了每个序列博弈都有一个纳什均衡。它实际上产生了一个纳什均衡，定义了一个适当的纳什均衡子类。在1965年，Selten将这个子类称为子博弈完美均衡。在博弈论中，收益是通常在游戏结束时给予的奖励。虽然传统的博弈论主要关注的是实数值的收益，这些收益隐含地按照实数上通常的全序排序，但西蒙或布莱克威尔的作品已经涉及了部分排序的收益。本文概括了序列博弈的概念，用抽象的原子对象（称为结果）替换实值支付函数，并用结果上的任意二元关系（称为偏好）替换实值上通常的全序。这引入了一个一般的抽象形式主义，其中纳什均衡，子博弈完美均衡，"逆向归纳“仍然可以定义。本文证明了以下三个命题是等价的：1）对结果的偏好是非循环的。2)每个序列博弈都有一个纳什均衡。3)每个序贯博弈都有一个子博弈完美均衡。结果是完全计算机认证使用Coq。除了额外的正确性保证之外，使用Coq的形式化活动还有助于清楚地识别有用的定义和证明的主要表达。
2007-05-23 cs.DM cs.GT cs.LO
Nash Equilibria and Pitfalls of Adversarial Training in Adversarial Robustness Games
Carnegie Mellon University（卡内基梅隆大学）；University of Waterloo（滑铁卢大学）
对抗性训练是训练对抗性鲁棒模型的标准技术。在本文中，我们研究了对抗性训练作为2人零和游戏中的交替最佳反应策略。我们证明，即使在一个简单的情况下的线性分类器和统计模型，抽象的强大与非强大的功能，这种游戏的交替最佳对策策略可能不会收敛。另一方面，存在唯一的纯纳什均衡的游戏，是可证明的强大。我们用实验来支持我们的理论结果，展示了对抗训练的非收敛性和纳什均衡的鲁棒性。
2023-02-28 cs.GT cs.LG
Single Deep Counterfactual Regret Minimization
University of Cambridge（剑桥大学）
反事实后悔最小化（CFR）算法是求解不完全信息博弈近似纳什均衡的最成功的算法。然而，CFR对完整游戏树遍历的依赖限制了其可扩展性。出于这个原因，游戏的状态和动作空间通常被抽象（即简化）为CFR，然后将所产生的策略转换回完整的游戏，这需要广泛的专业知识，并且通常会收敛到高度可利用的策略。最近提出的一种方法，深度CFR，将深度学习直接应用于CFR，允许代理从样本中内在地抽象和概括状态空间，而不需要专业知识。在本文中，我们介绍了单深度CFR（SD-CFR），这是深度CFR的简化变体，通过避免训练平均策略网络，具有较低的总体近似误差。我们表明，SD-CFR是更有吸引力的从理论的角度来看，经验上优于深CFR方面的可利用性和一对一的发挥扑克。
2019-10-04 cs.AI cs.GT cs.LG
