Fairness in Multi-Agent Systems

Das Papier untersucht die Einbeziehung von Gerechtigkeit in die Zusammenarbeit mehrerer Agenten, wobei es einen neuen Rahmen für α-Fairness und Heterogene-Agent-Trust-Region-Learning (HATRL) vorschlägt. Dieser Ansatz gewährleistet monotonen Fortschritt und Konvergenz zu Nash-Gleichgewichten durch eine gerechte Vorteilsfunktion, die die Nutzen von Agenten dynamisch basierend auf erwarteten Rückmeldungen gewichtet. Die vorgeschlagenen Algorithmen α-fair HATRPO und α-fair HAPPO zeigen in Experimenten bessere Ergebnisse als traditionelle Ansätze sowohl aus utilitaristischer als auch sozialer Perspektive.