oyun teorisinin denge arayışı ile makine öğreniminin gradyan inişi arasındaki fark, aslında iki farklı optimizasyon felsefesidir: biri rakipli, diğeri kayıp fonksiyonlu. oyun teorisi stratejik etkileşimi modellerken, (bkz: makine öğrenimi) veriden genelleme yapmaya çalışır.
zamanında yazdığımız gibi (bkz: #MxiXGgTtSu95r6AzaX-TT), bu ikisinin kesişimi tam olarak minimax ile gradient descentin aynı masaya oturmasıdır: GAN'lar bunun en somut kanıtı. üretici ve ayırt edici ağ, bir sıfır toplamlı oyun oynar; nash dengesi ise gerçek veri dağılımıdır. yani oyun teorisi makine öğrenimine kayıp fonksiyonu olarak sızıyor, tersi de geçerli: pekiştirmeli öğrenme ajanları da oyun teorik dengeyi öğreniyor.