NfgTransformer：正规形博弈的等变表示学习

基于摘要分析。该研究以正规形博弈（Normal-form Games，NFGs）为对象，探讨如何用神经网络学习战略交互的表示。作者提出 NfgTransformer，利用策略置换等变性，以统一的表示方法支持均衡求解、偏离收益估计和排序等博弈论任务。 核心机制是尊重博弈的重编号对称性：策略经过置换后，仍描述等价的博弈，因此相应表示或输出应随策略索引一致变换，而不应因任意编号产生实质差异。这是等变性要求，并非所有输出都保持不变。摘要明确说明架构利用了这一性质，但未提供输入编码、等变模块、损失函数、训练监督或推理流程，具体实现尚未验证。 作者报告，NfgTransformer 在上述多类任务中取得最先进性能，并具有可解释性和通用性。摘要未给出博弈数据来源、规模、训练与测试划分、对照方法、评价指标或具体数值，因此目前不能量化优势，也不能判断其对未见博弈结构的泛化范围。实验协议、消融及统计信息尚未验证；复现还需核对模型实现、训练配置及可解释性分析依据。 本研究的主要贡献属于博弈表示学习，而非 EEG 或 BCI 算法。策略索引的置换对称性不能直接等同于 EEG 通道可互换，因为电极位置及空间关系通常具有实际意义。材料未建立具体的神经信号任务对应关系，因此不据此推断 BCI 效果或提出迁移复现实验；相关 EEG 工作尚未检索确认。