FaiR-IoT：面向个性化物联网中人类可变性的公平性感知人机回环强化学习
机器学习
2022-02-03 v1 多智能体系统
摘要
得益于可穿戴技术的快速增长，监测复杂人类情境变得可行，为开发自然演进以自主适应人类与环境状态的人机回环物联网系统铺平了道路。然而，设计此类个性化物联网应用的一个核心挑战源于人类可变性。这种可变性源于以下事实：不同人类与物联网应用交互时表现出不同行为（人内可变性），同一人类随时间与同一物联网应用交互时可能改变行为（人际可变性），且人类行为可能受同一环境中其他人行为的影响（多人可变性）。为此，我们提出 FaiR-IoT，一种基于强化学习的通用框架，用于自适应且公平性感知的人机回环物联网应用。在 FaiR-IoT 中，三个层次的强化学习智能体相互作用，持续学习人类偏好并在考虑人内、人际和多人可变性的同时最大化系统性能与公平性。我们在两个应用上验证了所提框架，即（i）人机回环汽车高级驾驶辅助系统与（ii）人机回环智能房屋。这两个应用上的结果验证了 FaiR-IoT 的通用性及其提供个性化体验的能力，同时与非个性化系统相比将系统性能提升 40%-60%，并将多人系统的公平性提升 1.5 个数量级。
引用
@article{arxiv.2103.16033,
title = {FaiR-IoT: Fairness-aware Human-in-the-Loop Reinforcement Learning for Harnessing Human Variability in Personalized IoT},
author = {Salma Elmalaki},
journal= {arXiv preprint arXiv:2103.16033},
year = {2022}
}
备注
14 pages