繰り返し囚人のジレンマ（IPD）は社会的ジレンマ状況を理論的に調べる標準的なツールのひとつである．標準的なゲーム理論の分析において標準的な IPD ではエージェント集団にとって望ましくない相互裏切に陥ることが示され，過去の研究においては別のゲームクラスとして強化学習エージェント間の IPD が研究されてきた．しかし，このクラスのゲーム（学習エージェント間のゲーム）はいまだ十分に解明されていない：標準的なゲーム理論の分析方法を適用することは難しいため，さまざまな近似的な解析手法が用いられている．本研究では，強化学習エージェント間の IPD がもつナッシュ均衡を調べた．その結果，標準的な IPD では相互裏切が唯一のナッシュ均衡だが，強化学習エージェント間の IPD では相互協調が唯一のナッシュ均衡である可能性が示された．以上は，強化学習エージェント間の IPD では，個人最適な選択（ナッシュ均衡）と集団最適な選択（パレート効率解）が一致し，その意味で社会的ジレンマが解消されたことを示唆する．
