探索气候政策的公平性：基于多主体多目标强化学习
机器学习
2025-12-02 v2
摘要
应对气候变化需要来自全球各国的协调政策努力。这些努力受到科学报告的启发，这些报告部分依赖于集成评估模型（IAMs），这些模型是用于评估气候政策经济影响的主要工具。然而，传统的IAMs仅基于单一目标优化政策，限制了其捕捉经济增长、温目标和气候正义之间权衡的能力。因此，政策建议因延续不平等现象而受到批评，导致政策谈判中的分歧。我们引入了Justice——首个将IAM与多主体多目标强化学习（MOMARL）集成的框架。通过纳入多个目标，Justice生成的政策建议能够阐明公平性，同时平衡气候和经济目标。此外，利用多个主体可以更真实地代表多样化政策行为者之间的相互作用。我们使用该框架识别出公平的帕累托最优政策，这有助于通过呈现气候和经济政策中固有的权衡，促进制定性决策。
引用
@article{arxiv.2505.01115,
title = {Exploring Equity of Climate Policies using Multi-Agent Multi-Objective Reinforcement Learning},
author = {Palok Biswas and Zuzanna Osika and Isidoro Tamassia and Adit Whorra and Jazmin Zatarain-Salazar and Jan Kwakkel and Frans A. Oliehoek and Pradeep K. Murukannaiah},
journal= {arXiv preprint arXiv:2505.01115},
year = {2025}
}
备注
Published at IJCAI 2025, AI and Social Good Track