完全信息蒙特卡罗与推迟推理
内容提要
本文研究了不完全信息游戏中的决策问题，提出通过选择使用玩家个人信息来提升游戏性能，并引入新的信念分布。实验证明该方法在多个算法上显著提高了游戏表现。此外，探讨了不完全记忆下的最优决策及其计算复杂性，扩展了完全信息博弈的框架，提出了有效的求解策略。
延伸解读
不完全信息博弈中的个人信息使用策略
文章指出，在不完全信息博弈中，玩家除了推断缺失信息外，还需防止泄露个人信息。研究通过选择是否使用玩家的个人信息来提高游戏性能，并根据游戏中的位置使用新的信念分布，从而进一步提升性能。实验在多个基准测试和确定化算法（PIMC和IS-MCTS）上验证了该方法的有效性，表明合理利用个人信息可以在不增加额外信息泄露风险的情况下改善决策质量。
不完全记忆决策的计算复杂性分析
文章研究了不完全记忆下的最优决策问题，分析了广义形式博弈中多个解概念（如纳什均衡、基于证据决策理论的自体、基于因果决策理论的自体）下寻找均衡的计算复杂性。研究涵盖了精确和近似解的计算，并将单人游戏、两人零和游戏等作为特例，将这些问题的复杂性类与P、PPAD、PLS、Σ₂ᴾ、∃R和∃∀R联系起来，为理解不完全记忆博弈的求解难度提供了理论依据。
Descent框架在随机博弈中的扩展
文章将Descent框架从完全信息的两人博弈扩展至随机博弈领域，并探讨了两种实现方法的效果。其中，Descent的泛化在EinStein wurfelt nicht!游戏中取得了最佳效果，而通过确定性游戏的近似也取得了良好结果。这表明该框架在特定场景下可能具有更好的适用性，为随机博弈的求解提供了新的思路。
不完美信息博弈的子游戏分解技术
文章介绍了第一种将不完美信息博弈分解为可独立求解的子游戏的技术，并实现了保证最优解的全局博弈解决算法和可生成大于可用存储空间的纳什均衡的离线博弈求解算法。这一技术有助于降低大规模博弈的求解复杂度，为处理现实世界中的复杂决策问题提供了可行途径。
Q&A
如何通过个人信息提升不完全信息游戏的性能？
通过选择是否使用玩家的个人信息，可以显著提高游戏性能，并结合新的信念分布进一步优化表现。
不完全记忆下的最优决策问题有哪些计算复杂性？
研究分析了多个解概念下的计算复杂性，关注精确和近似解在多人情景中的均衡寻找。
Descent框架如何扩展到随机博弈领域？
Descent框架被扩展至随机博弈领域，探讨了其实现和效果，特别是在EinStein wurfelt nicht!游戏中的最佳表现。
自我博弈的树搜索算法如何提高游戏性能？
该算法通过近似粗略相关均衡的方法，提升了在合作、竞争和混合任务中的性能表现。
如何解决合同桥牌中的完全信息变体游戏的困难？
通过构建计算机程序GIB，采用分区搜索和蒙特卡洛技术等方法，解决了合同桥牌的复杂性问题。
不完美信息博弈如何分解为可独立求解的子游戏？
介绍了一种技术，将不完美信息博弈分解为可独立求解的子游戏，并实现了保证最优解的全局博弈解决算法。
