医疗协作多智能体学习中的技能对齐公平性
多智能体系统
2025-11-19 v3 人工智能
机器学习
摘要
多智能体强化学习（MARL）中的公平性常被构建为工作负载平衡问题，忽视了智能体的专业技能以及现实领域中所需的结构化协调。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对齐，以防止高技能智能体的过度劳累与过度使用。工作负载平衡是指将大致相等数量的子任务或均等化的工作量分配给医疗保健工作者，而不论其专业技能如何。为解决此问题，我们做出了两项贡献。首先，我们提出 FairSkillMARL，一个将公平性定义为工作负载平衡与技能-任务对齐双重目标的框架。其次，我们引入 MARLHospital，一个可定制的医疗启发式环境，用于建模团队组成与受能量约束的调度对公平性的影响，因为现有的模拟器均不适合此问题。我们进行了实验，将 FairSkillMARL 与四种标准 MARL 方法相结合，并与两个最先进的公平性指标进行对比。我们的结果表明，仅基于均等工作负载的公平性可能导致任务-技能错配，并突显了需要更稳健的指标来捕捉技能-任务错配。我们的工作为研究异构多智能体系统中的公平性提供了工具与基础，在这些系统中，将努力与专业技能对齐至关重要。
引用
@article{arxiv.2508.18708,
title = {Skill-Aligned Fairness in Multi-Agent Learning for Collaboration in Healthcare},
author = {Promise Osaine Ekpo and Brian La and Thomas Wiener and Saesha Agarwal and Arshia Agrawal and Gonzalo Gonzalez-Pumariega and Lekan P. Molu and Angelique Taylor},
journal= {arXiv preprint arXiv:2508.18708},
year = {2025}
}