Skill-Aligned Fairness in Multi-Agent Learning for Collaboration in Healthcare
Created by
Haebom
Category
Empty
저자
Promise Osaine Ekpo, Brian La, Thomas Wiener, Saesha Agarwal, Arshia Agrawal, Gonzalo Gonzalez-Pumariega, Lekan P. Molu, Angelique Taylor
개요
본 논문은 다중 에이전트 강화 학습(MARL)에서의 공정성을 다루며, 특히 의료 분야와 같이 에이전트의 전문성이 중요한 환경에서 공정한 작업 할당 문제를 해결하는 것을 목표로 한다. 기존의 단순한 작업량 균형에 초점을 맞춘 접근 방식의 한계를 지적하고, 작업량 균형과 기술-작업 정렬이라는 이중 목표를 정의하는 FairSkillMARL 프레임워크를 제안한다. 또한 팀 구성과 에너지 제약 스케줄링이 공정성에 미치는 영향을 모델링하기 위한 맞춤형 의료 환경인 MARLHospital을 개발했다. 실험 결과는 작업량 균형에만 기반한 공정성이 기술-작업 불일치를 초래할 수 있음을 보여주며, 기술-작업 불일치를 포착하는 보다 강력한 지표의 필요성을 강조한다.
시사점, 한계점
•
시사점:
◦
FairSkillMARL 프레임워크를 통해 작업량 균형과 기술-작업 정렬을 동시에 고려하는 공정성 개념 제시.
◦
MARLHospital 환경 개발을 통해 현실적인 의료 환경을 시뮬레이션하고 다양한 팀 구성 및 스케줄링 시나리오 연구 가능.
◦
단순 작업량 균형 기반의 공정성 지표의 한계를 지적하고, 기술-작업 불일치 문제 해결의 중요성 강조.
