論文の概要: Fair Contracts in Principal-Agent Games with Heterogeneous Types

• arxiv url: http://arxiv.org/abs/2506.15887v1
• Date: Wed, 18 Jun 2025 21:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.861365
• Title: Fair Contracts in Principal-Agent Games with Heterogeneous Types
• Title（参考訳）: 不均質なゲームにおけるフェアコントラクト
• Authors: Jakub Tłuczek, Victor Villin, Christos Dimitrakakis,
• Abstract要約: フェアネスを意識したプリンシパルは、逐次的社会的ジレンマにおいてエージェント間で結果が等しくなる等質な線形契約を学習できることを示す。 その結果,システム全体の性能を保ちながら,システムにおける株式と安定を促進できることが示されている。
• 参考スコア（独自算出の注目度）: 2.2257399538053817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness is desirable yet challenging to achieve within multi-agent systems, especially when agents differ in latent traits that affect their abilities. This hidden heterogeneity often leads to unequal distributions of wealth, even when agents operate under the same rules. Motivated by real-world examples, we propose a framework based on repeated principal-agent games, where a principal, who also can be seen as a player of the game, learns to offer adaptive contracts to agents. By leveraging a simple yet powerful contract structure, we show that a fairness-aware principal can learn homogeneous linear contracts that equalize outcomes across agents in a sequential social dilemma. Importantly, this fairness does not come at the cost of efficiency: our results demonstrate that it is possible to promote equity and stability in the system while preserving overall performance.
• Abstract（参考訳）: 公正性はマルチエージェントシステム内で達成することが望ましいが、特にエージェントがその能力に影響を与える潜伏特性が異なる場合、困難である。 この隠された不均一性は、エージェントが同じ規則の下で動作しても、しばしば不平等な富の分配につながる。 実世界の実例に触発されて,ゲームプレイヤとして見ることのできるプリンシパルがエージェントに適応契約を提供することを学ぶ,繰り返しのプリンシパルエージェントゲームに基づくフレームワークを提案する。 単純だが強力な契約構造を利用することで、公正を意識したプリンシパルが、逐次的社会的ジレンマにおけるエージェント間の結果に等しくなる均質な線形契約を学習できることが示される。 重要なことに、この公正さは効率の犠牲にはならない。我々の結果は、システム全体のパフォーマンスを保ちながら、システムの公平性と安定性を促進することが可能であることを実証している。

関連論文リスト

• Using Protected Attributes to Consider Fairness in Multi-Agent Systems [7.061167083587786]
  マルチエージェントシステム(MAS)の公正性は、システムのルール、エージェントの振る舞い、それらの特性など、さまざまな要因に依存する。 機械学習に基づく意思決定におけるバイアスに対処するアルゴリズムフェアネスの研究から着想を得た。 我々は、アルゴリズムの公正度文献から、自己関心のあるエージェントが環境内で相互作用するマルチエージェント設定まで、公平度メトリクスを適応させる。
  論文  参考訳（メタデータ） (2024-10-16T08:12:01Z)
• Incentivized Learning in Principal-Agent Bandit Games [62.41639598376539]
  この作品では、主役がエージェントを通してしか環境と対話できないような、主役と主役のバンディットゲームが繰り返されている。 校長は、報酬を補うインセンティブを提供することで、エージェントの判断に影響を与えることができる。 我々は,マルチアームと線形コンテキスト設定の両方において,プリンシパルの後悔に対して,ほぼ最適な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-06T16:00:46Z)
• Robust and Performance Incentivizing Algorithms for Multi-Armed Bandits with Strategic Agents [52.75161794035767]
  性能インセンティブとロバストネスの2つの目的を同時に満たすバンディットアルゴリズムのクラスを導入する。 そこで本研究では,第2価格オークションのアイデアをアルゴリズムと組み合わせることで,プリンシパルが腕の性能特性に関する情報を持たないような設定が可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-13T06:54:49Z)
• Stochastic Market Games [10.979093424231532]
  我々は、市場力を利用して、エージェントが協力的になるためのインセンティブを提供することを提案する。 プリソナーズ・ジレンマの反復版で示されているように、提案された市場の定式化はゲームのダイナミクスを変えることができる。 市場の存在は、全体的な結果と、取引活動を通じて個々のリターンを代理する双方を改善することができることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-15T10:37:16Z)
• Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
  逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。 本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
  論文  参考訳（メタデータ） (2022-03-12T02:22:58Z)
• Unfairness Despite Awareness: Group-Fair Classification with Strategic Agents [37.31138342300617]
  戦略エージェントは、より良好な結果を得るために観察された特徴ベクトルを操作する能力とインセンティブの両方を持っている可能性があることを示す。 さらに、有利な群が過剰に表現される領域で公平な学習を行う際に、公平な分類器の選択性が増大し、したがって公正さが失われることが示される。
  論文  参考訳（メタデータ） (2021-12-06T02:42:43Z)
• Robust Allocations with Diversity Constraints [65.3799850959513]
  エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。 また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-30T11:09:31Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。