10:11
arXiv cs.AI@Luis Leal
精选
推荐理由：这篇论文用严格实验告诉你：不同博弈算法选出的纳什均衡不一样，R-NaD倾向最大熵，CFR+倾向低熵，这会影响你对付弱对手的鲁棒性。
精选
过去 24 小时，从 749 条中筛出 46 条
6月29日
10:11
这篇论文研究双人零和博弈中纳什均衡的算法依赖性选择。在六个可精确求解的博弈（包括二维纳什多面体和Kuhn扑克）中，R-NaD和磁镜下降等正则化最后迭代方法总是选择最大熵成员（在二维多面体上精确，在Kuhn中达到99.7%最大熵）。而CFR、CFR+和虚拟博弈等遗憾平均方法则漂移到低熵面。在180个随机博弈的实验中，R-NaD在100%收敛的博弈中达到最大熵，而CFR+在94%的博弈中严格低于该值（配对Wilcoxon p<10^-27）。论文还报告了两个否定结果：去除CFR的投影未消除边界漂移；R-NaD的选择依赖初始锚点。
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月5日
13:18
13:18
arXiv cs.LG@Qintong Xie, Edward Koh, Xavier Cadet, Peter Chin
精选
推荐理由：做多智能体博弈或竞标系统研究的团队，这篇论文给出了一个实用的均衡监督框架，成对方法在扩展性上表现突出，值得关注其训练成本与策略精度的平衡思路。
12:16
12:16
arXiv cs.AI@Mingyang Liu, Asuman Ozdaglar, Tiancheng Yu, Kaiqing Zhang
精选
推荐理由：这篇论文为多智能体博弈场景提供了更合理的遗憾度量，做强化学习、博弈论或多智能体系统的研究者值得关注，它可能改变你对自适应对手环境下算法设计的理解。
6月1日
00:09
AITOP6月1日 00:09
5月22日
11:16
11:16
arXiv cs.AI@Youssef Allouah, Mahdi Haghifam, Sanmi Koyejo, Reza Shokri
精选
推荐理由：这篇论文戳破了蒸馏防御的假象——被动评估下的鲁棒性在自适应攻击面前不堪一击。做模型安全或部署的团队，建议用文中的自适应评估框架重新审视你的防御方案。