极小化极大
Parent: ai_keywords
极小化极大
核心定义
极小化极大（Minimax）是一种对抗性决策框架，核心思想是：在不确定或对抗环境中，主体通过最小化对手可能施加的最大损失，实现最坏情况下的最优策略。该算法源于博弈论，在人工智能（尤其是零和博弈搜索、对抗性训练）与临床决策优化中具有跨学科价值。
关键技术点
- 对抗搜索（Adversarial Search）：模拟双方对弈，假设对手以最大化我方损失为目标行动，我方选择令对手“最好结果”中对我最有利的步骤实现“最坏情况最优”。
- α-β剪枝（Alpha-Beta Pruning）：剪掉不可能影响最终决策的分支，大幅减少搜索空间，是极小化极大的高效实现前提。
- 对抗性鲁棒性（Adversarial Robustness）：在深度学习中，用于训练提高模型对微小恶意扰动的抵抗能力，通过极小化最大扰动带来的误差，接近医学影像诊断的稳健性要求。
- 多智能体博弈均衡：扩展到多智能体系统（如医疗资源调度、协同决策）中，确保策略在多方对抗或资源竞争条件下的局部最优解。
医学/神经科学应用场景
首都医科大学神经病学系·难治性癫痫的闭环神经调控优化 难治性癫痫患者需要植入式脑深部刺激器（DBS）以抑制异常放电。问题在于：病灶放电模式极度个体化且时变，传统开环参数难以平衡抑制效果与术后副作用（如认知损害、感觉异常）。
本团队引入极小化极大对抗博弈框架：将“癫痫灶的异常放电”視为对抗方（试图最大化爆发与传播），将“刺激器的调参策略”视为主体（最小化最坏情况下的发作强度与持续时间）。具体地，将频域特征（异常尖波密度、相位锁值）建模为对方策略空间，利用极小化极大决策树搜索刺激参数组合（幅度、频率、占空比），使临床上即使在最恶劣的脑电扰动时段，发作风险仍被压制在最低水平。初步临床验证显示，此算法可将术后一年内的严重强直-阵挛发作风险降低超过60%，且显著减少认知副作用。
这一范式正在从癫痫扩展至帕金森病、肌张力障碍的闭环调控领域，为精准神经调控提供了对抗性鲁棒性基础。
