MAFE:マルチア gentル・シスクリプション・デ・ジーモス・ディースキンズの公平性設計を可能にします

アルゴリズムのフェアリングは通常、静的なまたは単一主体に関する設定で研究されますが、多数の相互作用するエンティティが多段階の行動から長期的な結果に影響を与える多くの現実世界の決定システムでは多段階分析が含まれています。特定の決定ポイントで適用されている既存のフェアリング手法は長い期間にわたる不平等を解消することが困難です。最近の研究は、公平性を順序の決定問題としてモデル化しましたが、中央機関や簡素な動態を考えざるを得ませんでしたから、単純化した社会システムに対して適用されるのは限られています。我々は新しいマルチ・ア gentル・エントロープ MAFE フレームワークを導入しましたこのフレームワークはモデュールでダイナミックである事実を利用し、実際の現実的なシスクリプション・デ・ジーモス・ディースキンズにおいて公平性が代理人間の相互作用から発生することを示しています。フェアリング支援ポリシーについて可視化評価が再現可能となる開源でマルチ・ア gentル コンテキストライプ (MARL) ライブラリーにマルチ・ア gentル環境が利用可能です。 MAFEは協力的情況下での実験を通じて、多代理管 ア ティビティのアルゴリズム設計を可能にするだけでなく、公平性,パフォーマンスとコンコード間の重要なトレードオフを示しています。 MAFE はダイナミックでマルチ・ア gentルのフェアリング研究において体系的な進捗への基盤になっています。

arXiv:2502.18534v2 Announce Type: replace-cross Abstract: Algorithmic fairness is often studied in static or single-agent settings, yet many real-world decision-making systems involve multiple interacting entities whose multi-stage actions jointly influence long-term outcomes. Existing fairness methods applied at isolated decision points frequently fail to mitigate disparities that accumulate over time. Although recent work has modeled fairness as a sequential decision-making problem, it typically assumes centralized agents or simplified dynamics, limiting its applicability to complex social systems. We introduce MAFE, a suite of Multi-Agent Fair Environments designed to simulate realistic, modular, and dynamic systems in which fairness emerges from the interplay of multiple agents. We demonstrate MAFEs across three domains -- loan processing, healthcare, and higher education -- that support heterogeneous agents, configurable interventions, and fairness metrics. The environments are open-source and compatible with standard multi-agent reinforcement learning (MARL) libraries, enabling reproducible evaluation of fairness-aware policies. Through extensive experiments on cooperative use cases, we demonstrate how MAFE facilitates the design of equitable multi-agent algorithms and reveals critical trade-offs between fairness, performance, and coordination. MAFE provides a foundation for systematic progress in dynamic, multi-agent fairness research.