源于博弈均衡的单纯形乘积域不动点丛方法 The fixed-point bundle method over product-of-simplex domains arising from game equilibria
用丛同构把单纯形上的不动点丛方法推广到单纯形乘积域，为纳什均衡计算提供全局线性收敛保证
前置知识
变分不等式 (VI)
变分不等式 VI(H,K) 给定紧凸集 $K\subseteq\mathbb{R}^n$ 与连续函数 $H:K\to\mathbb{R}^n$，求 $x^\star\in K$ 使 $\langle H(x^\star), x'-x^\star\rangle\ge 0$ 对所有 $x'\in K$ 成立。它由间隙函数 $\mathrm{gap}(x)=\sup_{x'\in K}\langle H(x), x-x'\rangle\ge 0$ 刻画，$x^\star$ 是解当且仅当 $\mathrm{gap}(x^\star)=0$。
本文求解纳什均衡的基本形式就是 VI：在正则条件下博弈均衡问题可等价改写为 VI，全文所有构造（不动点丛、路径跟踪）都围绕 VI(F, ∆^mn) 展开，间隙函数还是算法的终止判据。
纳什均衡与混合策略单纯形
非合作博弈中每个玩家在策略集上选策略最大化自身效用；混合策略是纯动作上的概率分布，$n$ 个动作对应单纯形 $\Delta^n=\{\pi\ge 0,\ \mathbf{1}^\top\pi=1\}$。纳什均衡是策略组合 $\pi^\star$，任何玩家单独偏离都无法提高效用。$m$ 个玩家的混合策略空间正是乘积单纯形 $\Delta^{mn}=\prod_{i=1}^m\Delta^n$。
乘积单纯形是正规式博弈混合策略的典型域，这正是论文要把方法从单纯形推广到乘积单纯形的原因；理解该结构才能读懂 Theorem 2 中间隙函数按玩家分解的含义。
纤维丛与丛同构
纤维丛由全空间 $E$、底空间 $B$、投影 $\alpha:E\to B$ 构成，每点 $b\in B$ 上的纤维 $\alpha^{-1}(b)$ 是同型的标准化空间；截面是满足 $\alpha(s(b))=b$ 的映射 $s$。丛同构是一对同胚 $(\psi:B\to B',\ \Psi:E\to E')$ 满足 $\alpha'\circ\Psi=\psi\circ\alpha$，把一个丛保纤维地映到另一个丛。
不动点丛是全文的核心几何对象，主定理（Theorem 6/7）就是证明乘积域复合不动点丛与单纯形域不动点丛之间存在丛同构，Paper 1 的全部收敛结论经由它传递。
路径跟踪与预测-校正框架
内点法引入障碍参数 $\tau>0$ 把原问题变形为扰动 KKT 系统，其解构成中心路径；路径跟踪沿该路径把 $\tau$ 逐步缩减到 0。预测-校正框架交替执行：预测步沿路径切向（解微分方程）外推，校正步用（正则化）Newton 方程把迭代拉回路径；遇到路径奇异点时先做奇异避免。
本文算法（Algorithm 1）就是一个预测-校正路径跟踪器，全局线性收敛的证明依赖该框架，论文第 5 节专门把这一框架在两个丛之间转换并传递收敛率。
KKT 条件与混合互补问题 (MCP)
KKT 条件是约束优化的最优性条件；扰动 KKT 在互补项中掺入障碍参数 $\tau$，如 $\hat\pi_i\circ r_i-\tau_i=0$。混合互补问题 MCP 是带等式约束的互补问题，其障碍形式是带 $-\tau^\top\ln x$ 熵项的最小化问题：$\tau=0$ 对应原问题，$\tau>0$ 对应障碍问题。
不动点丛的丛方程 $G(\pi, au)=0$ 正是把不动点 KKT 系统（FPKKT，式 (3.2)）消去 $r,v$ 后得到的；MCP 刻画提供了以 mcp 函数梯度为基础的校正步，三条等价刻画是理论传递的载体。
实解析性与 Dirichlet 平滑
实解析函数在每点附近都有收敛的泰勒展开，比 $C^\infty$ 更强，是路径跟踪理论所需的正则性。Dirichlet 分布 $\mathrm{Dir}(\alpha)$ 是单纯形上的概率分布；用 $F_\epsilon(\pi)=\mathbb{E}_{Y\sim\prod_j\mathrm{Dir}(\pi_j/\epsilon+c_j)}[F(Y)]$ 对连续算子做分布平均，可得到在单纯形上实解析的近似算子。
论文预处理把一般连续 VI 化为实解析 VI(F, ∆^mn)，Proposition 1 借助 Fubini–Tonelli 定理与 Hartogs 分离全纯定理把单变量 Dirichlet 平滑推广到乘积情形，这是全部几何理论适用的前提。
研究动机
计算一般和（general-sum）正规式博弈的纳什均衡是经济学、工程与人工智能的核心计算问题，但其复杂度为 PPAD-完全（文献[19]），除非 PPAD 类坍缩否则不可能存在多项式时间算法，只能退而求其次寻求迭代方法的渐近收敛保证。现有迭代算法大体与 VI 算法同构：投影法与邻近点法把均衡条件改写为不动点方程后迭代投影；merit function 方法借助间隙函数把博弈转成优化问题再做梯度或 Newton 更新；内点法把博弈写成互补问题并跟踪扰动 KKT 系统的中心路径；同伦法把简单算子连续形变到目标算子；算子分裂法利用单调算子的和结构，现代变体加入自适应步长、惯性项与随机估计。但这些方法在一般连续算子、一般多面体域上都缺乏不加结构假设的全局收敛保证。另一类是机器学习式动力学：自博弈（self-play，按最优响应更新）与无遗憾（no-regret）动力学按玩家各自更新策略，同样不保证收敛到纳什均衡，可能陷入循环或收敛到非均衡点。简言之，就渐近收敛意义而言，此前没有任何方法能对任意一般和正规式博弈保证全局收敛到其纳什均衡，通用且带全局保证的纳什均衡算法是长期悬而未决的难题。
本文的目标是本文的具体目标是把 Paper 1（文献[20]）为单纯形域上的变分不等式建立的不动点丛框架——一个把起点选取、路径跟踪与奇异避免系统整合、对非奇异数值解保证全局线性收敛（奇异数值解保持到预定精度的全局线性收敛）的框架——推广到乘积单纯形域 $\Delta^{mn}=\prod_{i=1}^m\Delta^n$，即 $m$ 个玩家各自 $n$ 维混合策略单纯形的乘积，使路径跟踪算法能直接用于纳什均衡计算。推广不是启发式移植，而是要求保持 Paper 1 的全部理论保证：三条等价刻画（FPKKT、Brouwer 函数、MCP）在乘积域上的对应版本、复合不动点丛的几何构造、预测-校正迭代以及全局线性收敛结论。同时延续 Paper 1 的预处理路线，把一般连续算子与一般多面体域上的 VI(H,K) 化为实解析算子与乘积单纯形域上的 VI(F,∆^{mn})。数值上以每个玩家的间隙 $\mathrm{gap}_i<10^{-5}$ 为标准，在从 2 玩家 128 动作到 128 玩家 2 动作的 5600 个随机实例上做到全部成功求解。
与已有工作不同的是，本文的独特切入角度是“几何等价移植”而非“逐条重证”。乘积单纯形域上的间隙函数可按玩家分解（Theorem 2：$\mathrm{gap}(\pi)=\sum_i \mathrm{gap}_i(\pi_i,\hat\pi_i)$），使 Paper 1 的三条刻画能逐点堆叠推广，但这种分解只在固定其余玩家参数 $\hat\pi_i$ 时逐点成立，不足以支撑全局理论。作者的方案是：把每个玩家的策略 $\pi_i$ 看作条件分布、引入边际分布 $w\in\Delta^\circ_m$，用实解析同胚 $\phi(\pi,w)=\sigma,\ \sigma_{i,a}=w_i\pi_{i,a}$（条件×边际=联合分布）把乘积域问题变形为单个单纯形 $\Delta^{mn}_+$ 上的 VI($\bar F,\Delta^{mn}_+$)，再证明两者的不动点丛之间存在纤维丛同构 $(\Phi,\phi)$。这样 Paper 1 为单纯形域证明的全部结论（等价刻画、微分性质、收敛率）通过同构一次性转移到乘积域，而不必对乘积域逐条重证。用微分几何的丛同构作为理论移植载体在 VI 与均衡计算文献中是少见的做法；论证过程中还发现路径跟踪自动冻结边际 $w$，进一步使“切片延拓”技巧成为可能，成为收敛保证传递的关键一环。
核心方法
直觉上，$m$ 个玩家各自在 $n$ 维单纯形上持有混合策略，解空间是乘积单纯形 $\Delta^{mn}$；若把每个玩家的策略 $\pi_i$ 看作条件分布并引入边际分布 $w\in\Delta^\circ_m$，则 $\sigma_{i,a}=w_i\pi_{i,a}$ 恰是单个 $mn$ 维单纯形上的联合分布。于是乘积域问题可以被“压”回单纯形域，而 Paper 1 的理论恰好在单纯形域上完备——这就是整个方案的杠杆点。技术路线分五步：(1) 预处理：用线性变换 $x=V\,\mathrm{reshape}(\pi)$ 把多面体的 Minkowski 和表示为乘积单纯形的像（顶点预算从 $\prod_i n_i$ 降到 $\sum_i n_i$），再用乘积 Dirichlet 分布平均把连续算子平滑成实解析算子 $F_\epsilon$（Proposition 1，借助 Fubini–Tonelli 定理与 Hartogs 分离全纯定理）；(2) 由间隙分解（Theorem 2：$\mathrm{gap}(\pi)=\sum_i\mathrm{gap}_i(\pi_i,\hat\pi_i)$）把三条等价刻画堆叠到乘积域，构造复合不动点丛 $E\to\Delta^{mn}\times\Delta^\circ_m\to\Delta^{mn}$ 与丛方程 $G(\pi,\tau)=0$；(3) 用实解析同胚 $\phi(\pi,w)=\sigma$ 构造等价的 VI($\bar F,\Delta^{mn}_+$)，证明间隙关系 $\mathrm{gap}_{\bar F}(\sigma)=\max_i \mathrm{gap}_i/w_i$（Theorem 5）；(4) 建立丛同构 $(\Phi,\phi)$（Theorem 6/7），证明刻画（Proposition 8）与微分性质（Theorem 11：$w_i\bar J_{ij}(\sigma)=J_{ij}(\pi)$）的等价；(5) 证明路径跟踪中 $w$ 恒定（Proposition 12/13），把 $\bar F$ 限制在切片 $W(w_{init})$ 上延拓为闭单纯形上的实解析映射 $\tilde F$（式 (5.8)），使 Paper 1 的收敛定理经 VI($\tilde F,\Delta^{mn}$) 传递回 VI(F,∆^{mn})。
核心创新是用纤维丛同构实现“整套理论的一次性移植”。与已有工作把乘积结构当作约束处理或设计专用算法不同，本文证明：乘积域上的复合不动点丛 $E\to\Delta^{mn}\times\Delta^\circ_m\to\Delta^{mn}$ 与把问题变形到单个单纯形后得到的普通不动点丛 $\bar E\to\Delta^{mn}_+$ 同构——同构由 $\Phi(\pi,\tau)=(\sigma,\mu)$ 给出，其中 $\sigma=\phi(\pi,\mathrm{norm}([\mathbf{1}^\top\tau_i]))$、$\mu_i=\tau_i$（reshape 后）；Theorem 6 进一步证明 $\Phi$ 在更大的集合 $\Delta^{mn}\times\mathbb{R}^{m\times n}_\pm$ 与 $(\Delta^{mn}_+\times\mathbb{R}^{mn}_\pm)\cap\{(\sigma,\mu):\phi_w^{-1}(\sigma)=\mathrm{norm}([\mathbf{1}^\top\mu_i])\}$ 之间是实解析同胚。由此三类刻画对象一一对应：截面 $\tilde\mu_i(\sigma)=\tilde\tau_i(\pi)$、丛方程 $\bar G_i(\sigma,\mu)=G_i(\pi,\tau)$、$\mathrm{mcp}(\sigma,\mu)=\mathrm{mcp}(\pi,\tau)$（Proposition 8）；微分层面 $w_i\bar J_{ij}(\sigma)=J_{ij}(\pi)$（Theorem 11）。更进一步，Proposition 12 证明预测步与校正步方程自动蕴含 $\pi_i^\top d\theta_i=0$，即 $dw=0$：整个迭代被冻结在 $w=w_{init}$ 的切片上，使 $\bar F$ 在该切片上可延拓为闭单纯形上的实解析映射 $\tilde F$，Paper 1 的收敛证明随之完整适用。这是与逐条重证路线的本质区别：几何等价承担了全部理论传递。
方法步骤详情
完整方法链条如下。第一步（预处理）：输入一般 VI(H,K)，多面体经 $x=V\,\mathrm{reshape}(\pi)$ 映到 $\Delta^{mn}$，用乘积 Dirichlet 平滑 $F_\epsilon(\pi)=\mathbb{E}_{Y\sim\prod_j\mathrm{Dir}(\pi_j/\epsilon+c_j)}[F(Y)]$，输出实解析算子 $F$。第二步（刻画与丛）：由 Theorem 2 的间隙分解把 FPKKT (3.2)、Brouwer 函数 $(\hat\pi,r,v)=M(\pi,\tau)$（每个玩家独立解二分问题 (3.4) 求 $v_i$）、MCP (3.5) 堆叠；由式 (3.6) 构造复合不动点丛 $E$，写出丛方程 $G_i(\pi,\tau)=(I-\pi_i\mathbf{1}^\top)(\pi_i\circ F_i(\pi)-\tau_i)$ 与两个截面 $\check\tau$（编码间隙 $\mathrm{gap}_i=\mathbf{1}^\top\check\tau_i$）、$\tilde\tau$（控制微分性质）。第三步（变形到单纯形）：计算 $\sigma=\phi(\pi,w)$ 与 $\bar F_i(\sigma)=\frac{1}{w_i}(F_i(\pi)-(\pi_i^\top F_i(\pi))\mathbf{1})$，验证 Theorem 5 的解对应关系 $\mathrm{gap}_{\bar F}(\sigma)=\max_i\mathrm{gap}_i/w_i$。第四步（丛同构与等价）：验证 $\Phi$ 的同胚性、丛同构 $(\Phi,\phi)$、Proposition 8 的四个等式与 Theorem 11 的 Jacobian 关系。第五步（迭代，Algorithm 1）：初始化 $(\pi_0,\tau_0)=(\pi_{init},v_{init}w_{init}\odot\pi_{init})$；校正步解二分问题求 $(\hat\pi_k,r_k,v_k)$、构造 $J(\pi_k)$（式 (4.16)）、以 $\delta_H=\|G\|/(mn)$ 解正则化 Newton 方程 (5.6)/(5.7) 得 $d\theta^f$、按 $\pi_{k+1,i}=\mathrm{softmax}(\ln\pi_{k,i}+d\theta^f_{k,i})$ 更新，直至 $\|G\|\le\epsilon/(mn)$；随后奇异避免——按式 (5.9) 随机重分配 $w$，选 $\beta$ 使 $\sum_i\mathbf{1}^\top\tau_i+\beta$ 避开 $-\mathrm{Diag}[(1/w_i)I]J(\pi)$ 的非零特征值；障碍缩减 $\tau_{t+1}=(\hat\tau_t-\eta_tu_t).\mathrm{clip}(\min=\epsilon/(mn))$；预测步解微分方程 (5.3)。第六步（收敛传递）：构造 $\tilde F$（式 (5.8)），由 Proposition 14 得两丛上迭代序列完全相同，Paper 1 结论适用。终止条件：$\sum_i\mathbf{1}^\top\check\tau_i(\pi)\le\epsilon$。
技术新颖性
技术新颖性体现在四个层面。其一，新的几何对象：论文发现乘积单纯形域 VI 的不动点丛不是普通纤维丛而是复合纤维丛 $E\to\Delta^{mn}\times\Delta^\circ_m\to\Delta^{mn}$，每个纤维 $B(\pi)$ 自身是以 $\Delta^\circ_m$ 为底、以一维仿直线 $\{\tilde\tau(\pi)+\bar vw\odot\pi\}$ 为纤维的丛（Lemma 4 证明不同 $w$ 对应的纤维互不相交，排除 $\bar v=0$ 是纤维化的关键）。其二，新的等价构造：把“条件分布×边际分布=联合分布”这一概率论常识升级为实解析同胚 $\phi$，用法向锥换元公式导出 $\bar F$，并以丛同构 $(\Phi,\phi)$ 替代逐定理重证，这种几何化论证在 VI 与均衡计算文献中未见先例。其三，新的动力学发现：预测/校正方程自动蕴含 $\pi_i^\top d\theta_i=0$（Proposition 12），故迭代冻结边际 $w$；对 $\sigma$ 的更新 $\sigma'_i=\phi^{-1}_{w,i}(\sigma)\mathrm{softmax}(\ln\phi^{-1}_{\pi,i}(\sigma)+d\theta_i)$ 是 Paper 1 更新式的二阶修正，差异为 $o(d\theta_i)$，不改变收敛速率。其四，乘积域独有的奇异避免自由度：可在纤维方向上重分配 $w$（式 (5.9)），实验表明随机重分配优于固定 $w$。此外，$w_i\bar J_{ij}(\sigma)=J_{ij}(\pi)$ 的纯符号验证过于繁琐，论文辅以数值测试（未发现 $\mathrm{Diag}[w_iI]\bar J(\sigma)$ 与 $J(\pi)$ 在 $k=0$ 时的差异）佐证，体现严谨。
实验结果
实验用两种算子模型生成随机 VI(F,∆^{mn})：(a) 神经网络模型——tanh 激活、结构 $[mn,mn,mn]$、Xavier 正态初始化，代表一般实解析算子；(b) 收益张量模型——$m$ 玩家 $n$ 动作正规式博弈的 $m$ 阶收益张量用秩 $R=mn$ 的 CP 分解表示，存储从 $n^m$ 降到 $Rmn$，参数 $U$ 取均值 1、方差 $1/m$ 的正态分布以防溢出。精度 $\epsilon=10^{-5}$，判据为每个玩家 $\mathrm{gap}_i<\epsilon$（而非总间隙）；每个数据点 200 个实例，合计 5600 个实例，维度从 2 玩家 128 动作到 128 玩家 2 动作（固定 $mn=256$ 取 (2,128) 至 (128,2) 七个组合）。核心结果：算法在全部 5600 个实例上成功，成功率 100%。迭代次数（均值/中位数）：(8,2) NN 369/350、payoff 360/353；(8,8) NN 618/517（奇异避免 10.2/5.0 次）、payoff 548/442（5.3/0.0）；(8,32) NN 2067/1344（75.0/44.0）、payoff 823/702（14.7/10.0）；(32,8) NN 2561/1823（85.4/58.5）、payoff 1287/1133（31.0/25.0）；固定 $mn=256$ 时峰值出现在中间维度 (32,8)/(64,4)（NN 均值分别为 2561 与 2616 次），而非端点 (2,128) 的 1203 或 (128,2) 的 1142。两条规律：迭代次数随玩家数 $m$ 增长快于随动作数 $n$；payoff 张量模型显著比神经网络容易——神经网络产生更强非线性与更扭曲的奇异流形，触发多得多的奇异避免。实验只使用了更快的正则化 Newton 校正子 (5.7)。
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 随机博弈/VI 求解（5600 个实例，2×128 至 128×2） | 成功率（每个玩家 gap_i < 1e-5） | 100%（5600/5600 全部成功） | 现有 VI 算法与学习动力学均无对任意一般和博弈的全局收敛保证，无可比的全覆盖结果 | 首个在该规模随机实例上达到全覆盖的全局收敛算法 |
| 8 玩家 32 动作（mn=256），神经网络算子 | 迭代次数（均值/中位数），奇异避免次数 | 2067 / 1344 次，奇异避免 75.0 / 44.0 次 | 同维度收益张量算子：823 / 704（823/702）次，奇异避免 14.7 / 10.0 次 | payoff 张量模型迭代约为 NN 模型的 40%（823 vs 2067），奇异避免约为 1/5 |
| 固定 mn=256 最难中间维度 (64,4)，神经网络算子 | 迭代次数（均值/中位数） | 2616 / 1790 次 | 端点 (2,128)：1203 / 825 次；(128,2)：1142 / 955 次 | 揭示固定总维度下难度峰值出现在中间维度而非端点，m 与 n 共同影响难度 |
| 32 玩家 8 动作（mn=256），收益张量算子 | 迭代次数（均值/中位数） | 1287 / 1133 次（奇异避免 31.0 / 25.0 次） | 同规模神经网络算子：2561 / 1823 次（奇异避免 85.4 / 58.5 次） | 迭代约减半（1287 vs 2561），奇异避免约减少 64% |
局限与改进
作者承认的局限：奇异避免中的重分配 $w$ 目前采用最基础的随机选择（在 $\Delta^\circ_m$ 内随机取 $\tilde w$），虽然实验中简单有效，但结论部分明确指出若能从路径跟踪过程的状态出发计算 $w$，可进一步提升实用性能。我补充的观察：(1) 实验没有与任何外部基线（如 Lemke–Howson、复制子动态、镜像下降、extra-gradient、无遗憾算法或互补问题求解器）比较，只有自身在不同维度与算子类型下的迭代统计，难以判断实际计算竞争力；(2) 表 1 只报告迭代次数与奇异避免次数，未报告墙钟时间、硬件与每次迭代中 $O((mn)^2)$ 级 Jacobian 构造与线性求解的开销；(3) 收敛保证本身有限——非奇异数值解才是全局线性收敛，奇异数值解只保证到预定精度，而 NN 模型 (8,32) 下奇异避免均值高达 75 次，说明奇异流形在实践中并不罕见；(4) 预处理的 Dirichlet 平滑会引入近似偏差，但实验直接使用本身实解析的算子（神经网络/多项式收益），平滑误差对解的扰动未被检验；(5) 判据是逐玩家 $\mathrm{gap}_i<10^{-5}$ 而非总间隙，大 $m$ 时该标准更严格，与通常的 gap 定义不直接可比；(6) 实例为随机生成（Xavier 初始化的网络与 $N(1,1/m)$ 的 CP 张量），未必代表真实博弈结构（势博弈、零和博弈、AI 训练中出现的博弈等）。
独立分析的弱点
独立分析的弱点与改进方向：(1) 每次校正步都要显式构造稠密 Jacobian 型矩阵 $J(\pi)$（式 (4.16)，尺寸 $mn\times mn$）并解正则化 Newton 方程，维度增大时成本为 $O((mn)^2)$–$O((mn)^3)$，规模超过 $mn=256$ 后会吃紧；改进方向是矩阵自由实现——利用 $J$ 的分块结构与 CP 低秩收益的多元线性结构只计算 Jacobian-向量积，用共轭梯度类迭代法解 Newton 方程。(2) 奇异避免需计算 $-\mathrm{Diag}[(1/w_i)I]J(\pi)$ 的特征值，而 NN 模型高维设置下平均触发几十次（(32,8) 达 85.4 次），特征值计算本身昂贵；改进方向即作者所言从迭代状态学习/预测合适的 $w$，或用低代价的谱估计替代全谱计算。(3) 无基线对比使算法价值难以定位；改进方向是在公开博弈均衡基准集上与一阶方法及 PATH 等成熟互补问题求解器对比迭代数与墙钟时间。(4) 理论只覆盖平滑后实解析的算子，对真正一般的连续算子需先平滑，但平滑参数 $\epsilon$ 与最终解误差之间没有定量权衡结论；改进方向是给出 $\|F_\epsilon-F\|$ 到解扰动的显式界。(5) 收敛理论是渐近性的，未给出达到精度 $\epsilon$ 所需迭代次数的显式复杂度上界，与实验观察到的数百至数千次迭代之间缺少定量桥梁，难以预判新实例的成本。
未来方向
作者明确提出的方向：奇异避免时不再随机选 $w$，而是从路径跟踪过程的状态计算 $w$，进一步改善实际性能。基于本文成果可自然延伸的方向：(1) 推广到更一般的域结构——结合 Paper 1 中多面体与单纯形的线性对应，处理任意多面体乘积乃至更一般凸集上的 VI；(2) 奇异数值解的结构化分析：目前只能保证到预定精度的线性收敛，刻画奇异点附近路径的局部行为、设计针对性跳转策略可收紧这一保证；(3) 与学习动力学结合：把路径跟踪作为自博弈/无遗憾动力学的周期性“重投影”或初始化器，兼得后者的在线性与前者的全局保证；(4) 并行多路径：利用 $w$ 重分配的几何自由度，在不同切片 $W(w)$ 上并行跟踪多条路径并择优，可能显著降低奇异避免次数（NN 模型下平均数十次）；(5) 大规模工程化：矩阵自由线性代数、GPU 批量求解、利用 $w_i\bar J_{ij}=J_{ij}$ 关系避免重复计算；(6) 利用博弈结构：对零和博弈、势博弈等类别，收益张量的低秩/稀疏结构可能使 $J(\pi)$ 更易求解，CP 分解秩 $R$ 的敏感性也值得系统实验；(7) 把平滑误差 $\epsilon$ 与均衡逼近误差联系起来，给出端到端的精度保证与复杂度分析。
复现评估
复现条件较好。代码与数据已在 GitHub 开源（https://github.com/shb20tsinghua/FiberBundle_VI）。实验数据全部随机生成且生成协议在文中完整给出：神经网络用 tanh、结构 $[mn,mn,mn]$、Xavier 正态初始化；收益张量用秩 $R=mn$ 的 CP 表示，参数取均值 1、方差 $1/m$ 的正态分布；起点 $\pi_{init}$ 随机；精度 $\epsilon=10^{-5}$；每数据点 200 个实例、共 5600 个。论文未报告墙钟时间与硬件，但从迭代次数（中位数约 350–1800 次）与每次迭代需要一次 $mn\times mn$ 稠密线性求解及偶发特征值计算推断，单实例在普通 CPU 上应处于秒到分钟量级，总体算力要求不高。复现难度分层：运行开源代码重现表 1 属中等难度，主要工作是把式 (3.4)（二分问题）、(4.16)（$J$ 的构造）、(5.6)/(5.7)（正则化 Newton）、(5.3)（预测步微分方程）、(5.9)（奇异避免）正确落地，特别是 $d\theta^f$ 的投影细节与 softmax 更新；从零实现则难度较高，需准确理解复合丛与同构的坐标约定。理论结果的复现（Theorem 6/7/11/13）涉及纤维丛与复分析工具（Hartogs 定理）、实解析性论证，属于高难度，建议有微分几何与数值分析背景的读者深入。
论文图表
论文唯一的实验结果表，覆盖 17 行维度设置（$m,n$ 组合，含固定 $m=8$ 变 $n$、固定 $n=8$ 变 $m$、固定 $mn=256$ 变比例三组），每行分别报告神经网络算子与收益张量算子下的迭代次数（均值/中位数）与奇异避免次数（均值/中位数）。例如 (8,8) NN 为 618/517 次、奇异避免 10.2/5.0 次，payoff 为 548/442 次、5.3/0.0 次；(64,4) NN 达峰值 2616/1790 次。对应全部 5600 个随机实例，均达到 $\mathrm{gap}_i<10^{-5}$。
它是论文全部数值证据的载体，直接支撑两个核心结论：算法在所有实例上 100% 成功；迭代难度随玩家数 $m$ 增长更快、固定 $mn$ 时峰值在中间维度、payoff 算子比神经网络算子容易。没有这张表就无法评估方法的实用规模边界。
完整算法伪代码：以 $(\pi_0,\tau_0)=(\pi_{init},v_{init}w_{init}\odot\pi_{init})$ 起始；内循环为校正步——解二分问题 (3.4) 求 Brouwer 函数 $(\hat\pi_k,r_k,v_k)$、构造 $J(\pi_k)$、以 $\delta_H=\|G\|/(mn)$ 解正则化 Newton 方程 (5.6)/(5.7)、按 softmax 更新 $\pi$，直至 $\|G\|\le\epsilon/(mn)$；随后执行奇异避免（式 (5.9) 随机重分配 $w$，使 $\sum_i\mathbf{1}^\top\tau_i+\beta$ 避开 $-\mathrm{Diag}[(1/w_i)I]J(\pi_k)$ 的非零特征值）、障碍缩减与预测步（解微分方程 (5.3)）；外循环直至 $\sum_i\mathbf{1}^\top\check\tau_i(\pi_k)\le\epsilon$ 后返回 $\pi_k$。
它是方法的可执行定义：所有理论（等价刻画、丛同构、冻结的 $w$、全局线性收敛）最终都落到该算法的每一步操作上；同时它明确了工程实现所需的全部组件（二分求解、$J$ 构造、正则化 Newton、特征值奇异避免），是复现工作的直接依据。