論文の概要: Where are the Humans? A Scoping Review of Fairness in Multi-agent AI Systems

• arxiv url: http://arxiv.org/abs/2604.15078v1
• Date: Thu, 16 Apr 2026 14:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.952851
• Title: Where are the Humans? A Scoping Review of Fairness in Multi-agent AI Systems
• Title（参考訳）: 人間はどこにいるのか? マルチエージェントAIシステムにおけるフェアネスのスコーピングレビュー
• Authors: Simeon Allmendinger, Luca Deck, Lucas Mueller,
• Abstract要約: このスクーピングレビューは、マルチエージェントAIシステムの公正性に関する既存の研究を批判的に合成する。 以上の結果から,MAAIシステムにおける公平性は,しばしば表面的に対処され,堅牢な規範的基盤が欠如しており,エージェント自律性やシステムレベルの相互作用によってもたらされる複雑なダイナミクスをしばしば見落としていることが明らかとなった。 公正性はポストホック的考察として付加されるのではなく,MAAIの開発ライフサイクルを通じて構造的に組み込まなければならない,と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.43012765978447565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Rapid advances in Generative AI are giving rise to increasingly sophisticated Multi-Agent AI (MAAI) systems. While AI fairness has been extensively studied in traditional predictive scenarios, its examination in MAAI remains nascent and fragmented. This scoping review critically synthesizes existing research on fairness in MAAI systems. Through a qualitative content analysis of 23 selected studies, we identify five archetypal approaches. Our findings reveal that fairness in MAAI systems is often addressed superficially, lacks robust normative foundations, and frequently overlooks the complex dynamics introduced by agent autonomy and system-level interactions. We argue that fairness must be embedded structurally throughout the development lifecycle of MAAI, rather than appended as a post-hoc consideration. Meaningful evaluation requires explicit human oversight, normative clarity, and a precise articulation of fairness objectives and beneficiaries. This review provides a foundation for advancing fairness research in MAAI systems by highlighting critical gaps, exposing prevailing limitations, and suggesting pathways.
• Abstract（参考訳）: Generative AIの急速な進歩は、ますます高度なマルチエージェントAI(MAAI)システムを生み出している。 AIフェアネスは従来の予測シナリオで広く研究されているが、MAAIでの検証は未熟で断片化されている。 このスクーピングレビューは,MAAIシステムの公正性に関する既存の研究を批判的に合成する。 23種類の研究の質的内容分析により,5つの根源的アプローチを同定した。 以上の結果から,MAAIシステムにおける公平性は,しばしば表面的に対処され,堅牢な規範的基盤が欠如しており,エージェント自律性やシステムレベルの相互作用によってもたらされる複雑なダイナミクスをしばしば見落としていることが明らかとなった。 公正性はポストホック的考察として付加されるのではなく,MAAIの開発ライフサイクルを通じて構造的に組み込まなければならない,と我々は主張する。 意味のある評価には、明確な人間の監視、規範的明確さ、公正な目的と受益者の正確な記述が必要である。 本レビューは,MAAIシステムにおけるフェアネス研究の進展のための基盤として,臨界ギャップの強調,普及している限界の顕在化,経路の提案を行う。

関連論文リスト

• A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
  私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。 応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。 我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
  論文  参考訳（メタデータ） (2026-03-11T07:40:53Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
  AI生成メディアを検出する方法は急速に進化してきた。 MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。 倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
  論文  参考訳（メタデータ） (2025-02-07T12:18:20Z)
• (Unfair) Norms in Fairness Research: A Meta-Analysis [6.395584220342517]
  我々は,AIフェアネスと倫理に関する2つの主要なカンファレンスから,アルゴリズムフェアネス論文のメタ分析を行う。 まず、米国中心の視点が公正調査全体において支配的な傾向を示す。 第二に、公正性の研究は、人間のアイデンティティの二項結合に広く依存している。
  論文  参考訳（メタデータ） (2024-06-17T17:14:47Z)
• The Impossibility of Fair LLMs [17.812295963158714]
  さまざまな技術的公正フレームワークを分析し、公正な言語モデルの開発を難易度の高いものにするために、それぞれに固有の課題を見つけます。 それぞれのフレームワークが汎用的なAIコンテキストに拡張されないか、実際には実現不可能であることを示す。 これらの固有の課題は、LLMを含む汎用AIにおいて、限られた参加入力や限られた測定方法といった経験的な課題が克服されたとしても、持続する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• Mapping the Potential of Explainable AI for Fairness Along the AI Lifecycle [1.4183971140167246]
  説明可能なAI(XAI)は、AIシステムの公正性を高めるための有望な方法だと考えています。 8つのフェアネスデシダラタを蒸留し、それらをAIライフサイクルに沿ってマッピングし、XAIがそれぞれにどのように対処できるかについて議論する。
  論文  参考訳（メタデータ） (2024-04-29T14:34:43Z)
• A Critical Survey on Fairness Benefits of Explainable AI [10.81142163495028]
  我々は,XAIの公正性に関する175の科学的論文から,7つの考古学的主張を抽出した。 クレームは曖昧で単純化され,規範的根拠が欠如している場合や,XAIの実際の能力に不十分な場合が多いことに気付きます。 我々は、XAIを倫理的パナセアではなく、アルゴリズム的公正性の多次元社会技術的課題にアプローチするための多くのツールの1つとして考えることを提案する。
  論文  参考訳（メタデータ） (2023-10-15T08:17:45Z)
• What Do We Want From Explainable Artificial Intelligence (XAI)? -- A Stakeholder Perspective on XAI and a Conceptual Model Guiding Interdisciplinary XAI Research [0.8707090176854576]
  説明可能性アプローチの主な目的は、人工システムに関する特定の関心、目標、期待、ニーズ、および要求を満たすことです。 ステークホルダーのデシデラタを満たすという目標を達成するための説明可能性アプローチがどうあるべきかは、しばしば不明である。
  論文  参考訳（メタデータ） (2021-02-15T19:54:33Z)

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。