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。
全部 AI 动态
AI 相关资讯全量信息流
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26日
09:50
09:50
arXiv cs.AI@Aleksandar Todorov, Jesse ten Napel, Alexander Müller
推荐理由：这篇论文用连续参数模型解释了开源博弈里自私个体怎么走向合作，挺有意思的。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
10:26
10:26
arXiv cs.AI@Achraf Hsain, Sultan Almuhammadi
推荐理由：这篇论文把盾牌合成从运行时约束工具重新定义为设计阶段的分析框架，做网络安全架构和形式化验证的团队值得一读——它提供了一种新思路，用形式化方法回答“系统到底能不能防住”这个根本问题。
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。
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。