[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-compute-equilibrium-beyond-unilateral-deviation-zh":3,"article-related-compute-equilibrium-beyond-unilateral-deviation-zh":25,"series-research-a1a790f4-7ab9-470a-ae45-1aea90cbefa9":68},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":22,"created_at":23,"published_at":24,"topic_cluster_id":11},"a1a790f4-7ab9-470a-ae45-1aea90cbefa9","compute-equilibrium-beyond-unilateral-deviation-zh","找出更抗聯盟作弊的均衡","\u003Cp data-speakable=\"summary\">這篇論文在算一種更抗聯盟偏離的均衡，目標不是消滅作弊誘因，而是把聯盟想一起偏離的動機壓到最低。\u003C\u002Fp>\u003Cp>在博弈論裡，很多均衡概念只保證「單一玩家」不會獨自改策略就更好。這對 Nash equilibrium 或 correlated equilibrium 夠用，但一旦多個玩家能協調行動，問題就出現了。\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.28186\">Computing Equilibrium beyond Unilateral Deviation\u003C\u002Fa> 直接碰這個缺口：如果完美的 coalition-proof 穩定性常常不存在，那能不能至少算出一個讓聯盟偏離誘因盡量小的結果？\u003C\u002Fp>\u003Cp>這篇工作的重點，不是把「聯盟永遠不會偏離」當成目標，而是把它改成一個可計算的最佳化問題。這個轉向很實際。因為像 strong Nash equilibrium、coali\u003Ca href=\"\u002Fnews\u002Ftokenization-moving-from-idea-to-infrastructure-zh\">tion\u003C\u002Fa>-proof equilibrium 這類更強的概念，常常太脆弱，甚至在不少遊戲裡根本不存在。與其追一個可能無解的理想，不如找出在既定衡量方式下，最不容易被聯盟利用的均衡。\u003C\u002Fp>\u003Ch2>這篇在修哪個痛點\u003C\u002Fh2>\u003Cp>標準均衡概念的盲點很清楚：它們主要防單人背叛，不太管群體合作。可是在很多策略場景裡，真正的風險不是某個人單飛，而是幾個人一起改口徑、一起換策略。對機制設計、多人系統、平台規則，或任何有協同行為的場景來說，這代表一個方案可能「看起來穩」，實際上卻很脆弱。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777620227302-mjs9.png\" alt=\"找出更抗聯盟作弊的均衡\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>如果硬要要求每個聯盟都完全沒有偏離誘因，往往會卡在不存在性的問題上。這篇論文不是否定這個理想，而是改問：既然完全消滅不現實，那能不能把聯盟偏離的收益壓到最小？這個問題一換，整個研究方向就從「找不存在的東西」變成「找可算的最佳折衷」。\u003C\u002Fp>\u003Cp>作者處理的不是單一指標，而是三種常見的聯盟收益衡量：平均收益、加權平均收益，以及聯盟成員中的最大收益。這三種定義看起來很像，但實際上對可計算性會有不同影響。這也是這篇論文的重點之一：你怎麼定義「聯盟賺多少」，會直接決定問題難不難算。\u003C\u002Fp>\u003Ch2>方法到底怎麼運作\u003C\u002Fh2>\u003Cp>核心做法可以白話成一句：先定義「最好的一次聯盟偏離」有多大，再去找讓這個值最小的均衡。也就是說，與其要求聯盟偏離後完全沒好處，不如接受它可能有一點好處，但要把這個好處壓到最低。這是一種比較寬鬆、但保證存在的替代方案。\u003C\u002Fp>\u003Cp>在平均收益版本裡，目標是最小化一個聯盟偏離後的平均收益。接著作者把同樣的框架延伸到加權平均版本，讓不同成員的影響力可以不一樣；再延伸到最大收益版本，讓聯盟中單一成員能拿到多少，成為判定偏離誘因的核心。這三種版本都在同一個大框架下，但它們的計算難度不是同一回事。\u003C\u002Fp>\u003Cp>論文也明確指出一個負面結果：minimum-gain 的類比版本是計算上不可處理的。這點很重要，因為它幫這類「抗聯盟偏離」的目標劃出邊界。不是所有看起來合理的穩定性指標，都適合拿來做演算法問題。有些定義在理論上漂亮，但一碰到計算就會卡死。\u003C\u002Fp>\u003Cp>對開發者來說，這代表建模不是小事。你不是只是在選一個數學名詞，而是在選一個會不會算得動的目標函數。如果你的系統裡真的存在協同策略、串通、或多方一起改行為的可能，那偏離誘因到底用平均值、加權平均，還是最大值來衡量，會直接影響你最後能不能算出有用解。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>這份摘要沒有公開完整 benchmark 細節，也沒有實驗數據表，所以不能從這裡讀出實作效能或實測速度。它提供的是理論層面的結果：一個保證存在的均衡框架、一個 minimum-gain 版本的不可計算性結果，以及 average-gain 和 max-gain 版本的匹配複雜度結果。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777620238356-uq1e.png\" alt=\"找出更抗聯盟作弊的均衡\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>更具體地說，作者對 average-gain 與 maximum-gain 這兩種情況都給出計算複雜度下界，然後再提出一個能對上這個下界的演算法。這種「下界 + 匹配演算法」的組合很有價值，因為它不只告訴你問題難，也告訴你在目前已知的理論範圍內，能做到哪一步。\u003C\u002Fp>\u003Cp>從工程角度看，這代表演算法不是隨便湊出來的可行解，而是和作者證明的最佳複雜度界線對齊。當一篇論文能把困難度和可解法一起講清楚，讀者就比較知道自己是在面對一個可落地但昂貴的問題，還是一個根本不值得期待高效率解的問題。\u003C\u002Fp>\u003Cp>作者也把這個框架套到 Exploitabil\u003Ca href=\"\u002Fnews\u002Fanthropic-claude-security-public-beta-zh\">ity\u003C\u002Fa> Welfare Fro\u003Ca href=\"\u002Fnews\u002Fanthropic-eyes-openai-valuation-lead-900b-zh\">nt\u003C\u002Fa>ier, EWF 上。這裡的問題是：在 exploitability 固定的情況下，最多可以拿到多少 social welfare。exploitability 在這裡是指「任何單邊偏離」能帶來的最大收益。這個應用把研究拉回一個很實務的權衡：你想要多少福利，就得接受多少可被利用的空間。\u003C\u002Fp>\u003Ch2>對開發者和研究者有什麼影響\u003C\u002Fh2>\u003Cp>就算你不是在做博弈理論，這個問題也很常見。多代理最佳化、市場機制、投票系統、分散式協調、機制設計，只要參與者有可能協同，單人穩定就不夠。系統可以對每個人都「單獨合理」，卻還是擋不住群體一起改變行為。\u003C\u002Fp>\u003Cp>這篇論文的價值在於，它沒有停在「聯盟很重要」這種提醒，而是往前走一步：如果完美的 coalition-proof 解不存在，那就算一個最小化聯盟誘因的解。這種想法對工程師比較有用，因為它提供的是一個明確目標、一個存在性框架，外加一個複雜度故事，讓你知道自己在算什麼、算到哪裡算得動。\u003C\u002Fp>\u003Cp>但限制也要看清楚。摘要沒有提到任何實驗驗證，所以我們不知道這些演算法在真實資料上的表現。它也沒有宣稱可以解決所有策略不穩定問題。它做的是更聚焦的事：在特定的收益衡量下，最小化聯盟偏離誘因，並指出某些版本在計算上就是不划算。\u003C\u002Fp>\u003Cp>如果把這篇論文的訊息濃縮成實作上的幾個提醒，大概可以這樣看：\u003C\u002Fp>\u003Cul>\u003Cli>當單人偏離太弱時，可以改看聯盟偏離。\u003C\u002Fli>\u003Cli>若要保留可計算性，平均收益或最大收益版本比較有希望。\u003C\u002Fli>\u003Cli>不要預設 coalition-proof equilibrium 一定存在。\u003C\u002Fli>\u003Cli>收益衡量方式不只是建模細節，還會決定複雜度。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>總結來說，這篇論文給的是一個更務實的穩定性目標：不是幻想完全擋住所有協同偏離，而是在不能完全阻止的前提下，找出最不容易被鑽漏洞的均衡。對需要處理群體策略行為的系統設計者來說，這是一個比傳統均衡更貼近現實的工具箱。\u003C\u002Fp>","這篇論文改算「不那麼容易被聯盟偏離」的均衡，並給出平均收益與最大收益兩種情況下的匹配複雜度結果。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.28186",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777620227302-mjs9.png","research","zh","b52971ee-f9a1-4fb3-8d3e-625fda17fdcd",[17,18,19,20,21],"game theory","coalition deviation","equilibrium computation","complexity theory","exploitability welfare frontier",4,"2026-05-01T06:10:33.253813+00:00","2026-05-01T06:10:33.198+00:00",{"tags":26,"relatedLang":27,"relatedPosts":31},[],{"id":15,"slug":28,"title":29,"language":30},"compute-equilibrium-beyond-unilateral-deviation-en","A new way to compute coalition-resistant equilibria","en",[32,38,44,50,56,62],{"id":33,"slug":34,"title":35,"cover_image":36,"image_url":36,"created_at":37,"category":13},"4c1c0228-6f8e-4be6-b948-61bc48e67746","language-critiques-imitation-learning-zh","語言批註讓模仿學習更準","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782975775937-7kd6.png","2026-07-02T07:02:28.766504+00:00",{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"5b59165e-18fd-4c10-afa4-1307e39a11f0","one-transformer-layer-can-carry-rl-gains-zh","單層 Transformer 也能扛住 RL 增益","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782973979895-px83.png","2026-07-02T06:32:29.183313+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"269ae2f5-ce51-4e00-8771-eab2f264e074","bineval-binary-questions-llm-evals-zh","BINEVAL 用二元問題評估 LLM 輸出","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782927171316-0dkv.png","2026-07-01T17:32:23.660464+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"0ee8cc51-c309-4477-8914-82f7824161e3","rlmf-teaches-llms-express-uncertainty-better-zh","RLMF 讓 LLM 更會表達不確定","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782887572465-ag3v.png","2026-07-01T06:32:28.706553+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"00a1011e-5e65-4d16-9ed4-208b129055d8","qval-dense-supervision-testbed-long-horizon-agents-zh","QVal 先測密集監督再訓練","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782886677076-dhmx.png","2026-07-01T06:17:33.66887+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"678566b8-297f-4efc-8b78-9e80c4cc1140","self-explanation-training-tracks-model-behavior-zh","固定解釋資料也能追上模型行為","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782885778930-88u5.png","2026-07-01T06:02:30.473402+00:00",[69,74,79,84,89,94,99,104,109,114],{"id":70,"slug":71,"title":72,"created_at":73},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":75,"slug":76,"title":77,"created_at":78},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]