Marta C.Gonzalez是加州大学伯克利分校城市和区域规划副教授,也是劳伦斯伯克利国家实验室(伯克利实验室)的物理研究教师。在世界各地多家公司、城市和基金会的支持下,她的研究团队开发了计算模型来分析数字痕迹,以估计与能源和流动性相关的城市基础设施需求。例如,交通堵塞、电动汽车融入电网、采用太阳能的政策以及消费习惯。她的研究发表在主要期刊上,包括《科学》、《美国国家科学院院刊》、《自然》和《物理评论快报》。
摘要:大多数现实世界的设置都是不完美的信息游戏。他们提出了超越完美信息游戏的挑战。2017年,我们的AI Libratus在主要基准测试中击败了顶尖人类,领先的非极限德克萨斯州队。在这次演讲中,我将讨论我们最近在不完全信息游戏方面的一些工作。主题包括一个用于抽象具有解决方案质量限制的游戏的统一框架[Kroer&Sandholm,NeurIPS-18],一个健全的深度限制搜索框架[Brown et al.,NeurIPS-18],最快的平衡发现算法[Brown&Sandholm,AAAI-19],深度学习作为抽象的替代方案[Brown et al.,deep RL Workshop-18],序列决策过程和扩展形式游戏的在线凸优化的一般框架[Farina等人,AAAI-19],第一个用于颤抖和平衡优化的可扩展算法[Farina等人,NeurIPS-18],以及Stackelberg平衡的颤抖和优化[Farino等人,IJCAI-18;Marchesi等人,AAA1-19]。
Milind Tambe是Helen N.和Emmett H.Jones的工程学教授,也是南加州大学人工智能社会中心的创始联合主任。他是AAAI和ACM的研究员,并获得了IJCAI约翰·麦卡锡奖、ACM/SIGAI自治代理研究奖、INFORMS Wagner奖、军事行动研究学会风险奖、克里斯托弗·哥伦布研究基金会国土安全奖、,国际代理和多代理系统基金会(International Foundation for Agents and Multiagent Systems)影响力论文奖、美国海岸警卫队(US Coast Guard)和洛杉矶机场警察(LA Airport Police)颁发的优秀团队奖、美国联邦航空执法局颁发的感谢证书。