多智能体学习中的技能对齐公平性：面向医疗保健的协作

在多智能体强化学习（MARL）中，公平性常被表述为工作负载平衡问题，忽视了智能体专业知识以及现实领域所需的结构化协调。在医疗保健领域，公平的任务分配需要工作负载平衡或技能-任务匹配，以防止疲劳和过度使用高度专业的智能体。工作负载平衡指的是在不考虑专业知识的情况下，分配大量相同数量的子任务或相等的努力。我们作出两个贡献以解决这一问题。首先，我们提出FairSkillMARL，一种将公平性定义为工作负载平衡与技能-任务匹配双目标的框架。其次，我们引入MARLHospital，一个以医疗保健为灵感的可定制环境，用于建模团队组成和能源受限调度对公平性的影响，因为目前没有现有模拟器适用于此问题。我们进行了实验，比较了FairSkillMARL结合四种标准MARL方法的结果，以及两种最先进的公平性指标。我们的结果表明，仅基于相等工作负载的公平性可能导致任务-技能不匹配，凸显需要捕捉技能-任务不匹配的更健壮指标的必要性。我们的工作为研究在异构多智能体系统中公平性提供了工具和基础，其中将努力与专业知识相匹配至关重要。