我们的世界本质上是多智能体驱动的，而机器学习的应用也正日益呈现出这一特征。在过去十年中，机器学习模型取得了突飞猛进的发展。随着模型能力的增强，它们被更广泛地应用于解决日益复杂的任务。这两大趋势共同导致了多智能体交互在数量上的激增以及在复杂度上的提升。 本论文研究了在设计机器学习模型以处理和利用多智能体交互时的若干基本挑战，并为此开发了新的理论保证、算法及框架。 本论文的第一部分侧重于推动机器学习从静态、单人环境下的应用向具有主体性的双人博弈环境转变。当机器学习模型的输出会影响到其他智能体时，我们应如何调整模型以应对这些智能体的存在？为此，我们研究了三类重要博弈场景中的机器学习：策略性数据采集、预测以及审计。这三类博弈的动机均源于机器学习在具有重大社会影响的应用，例如训练数据采集、自动化贷款审批以及行业 AI 监管。 除了考虑多智能体因素外，我们还希望利用多个智能体来解决复杂问题。论文的第二部分专注于针对多智能体系统（及关于该系统）的机器学习。我们如何通过学习让多个智能体实现“协同效应”？针对这一目标，在去中心化多智能体设置下，我们研究了学习如何促进多智能体协作，并将智能体归因（Agent Attribution）与支付机制设计视为两种可能的协调机制。在中心化多智能体设置下，我们探讨了学习如何发挥多智能体的优势，并研究了实现其效能的两条自然路径：多样性与专业化。 总而言之，本论文旨在巩固我们对多智能体学习中若干基本问题的理解。我相信，这一主题在未来几年将变得愈发重要。