不对称顺序社会困境中的社会激励公平性修正
机器学习
2026-02-18 v1
摘要
顺序社会困境（SSDs）提供了研究合作如何在个体激励与集体福祉之间产生冲突的关键框架。在多代理人强化学习中，这类问题通常通过纳入鼓励利他或公平行为的内在驱动力来解决。然而，大多数现有方法假设代理人在困境中面临相同的激励，并需要持续获取关于其他代理人全局信息来评估公平性。本文引入了众所周知的 SSD 环境的非对称变体，考察自然代理人差异如何影响合作动态。我们的发现表明，现有的基于公平性的方法在非对称条件下难以应对，通过强制执行原始平等原则来纠正激励失衡。为此，我们提出了三项修改：（i）重新定义公平性，纳入代理人奖励范围的考虑；（ii）引入基于代理人的加权机制以更好地处理固有的非对称性；（iii）将社会反馈局部化，以便在部分可观测性条件下无需全局信息共享即可生效。实验结果表明，在非对称情境下，我们的方法比现有方法更快地促进了合作策略的出现，而不会牺牲可扩展性或实用性。
引用
@article{arxiv.2602.15407,
title = {Fairness over Equality: Correcting Social Incentives in Asymmetric Sequential Social Dilemmas},
author = {Alper Demir and Hüseyin Aydın and Kale-ab Abebe Tessera and David Abel and Stefano V. Albrecht},
journal= {arXiv preprint arXiv:2602.15407},
year = {2026}
}