तकनीकी सारांश: मल्टी-एजेंट बैंडिट्स में प्रक्रियात्मक निष्पक्षता (Procedural Fairness)

समस्या विवरण (Problem Statement)

मल्टी-एजेंट मल्टी-आर्म्ड बैंडिट्स (MA-MAB) में, निष्पक्षता को पारंपरिक रूप से परिणाम-आधारित मेट्रिक्स (outcome-based metrics) के माध्यम से परिभाषित किया जाता है, जैसे कि उपयोगितावादी कल्याण (utilitarian welfare) को अधिकतम करना, असमानता को कम करना, या नैश सोशल वेलफेयर (NSW) को अनुकूलित करना। ये दृष्टिकोण निर्णयों के कुल परिणामों (जैसे, कुल उपयोगिता या पुरस्कारों का वितरण) पर ध्यान केंद्रित करते हैं। हालाँकि, लेखक तर्क देते हैं कि यह परिप्रेक्ष्य प्रक्रियात्मक निष्पक्षता (procedural fairness) की अनदेखी करता है: वह सिद्धांत कि निष्पक्षता निर्णय लेने की प्रक्रिया में ही निहित है, विशेष रूप से समान आवाज (equal voice) और प्रतिनिधित्व (representation) के संबंध में।

मौजूदा साहित्य अक्सर निष्पक्षता को एक बाहरी मानदंड के रूप में मानता है जो सिस्टम पर थोपा गया है (परिणामवाद/consequentialism), जो प्रतिभागियों की एजेंसी (agency) की उपेक्षा करता है। इसके विपरीत, प्रक्रियात्मक निष्पक्षता यह मानती है कि एक निर्णय तभी वैध है यदि उसे उन लोगों द्वारा उचित रूप से खारिज न किया जा सके जो इसके अधीन हैं, जिसके लिए यह आवश्यक है कि प्रत्येक एजेंट का नीति (policy) पर प्रभाव का समान हिस्सा हो, चाहे वह प्रभाव उनके इष्टतम परिणाम की ओर ले जाए या नहीं।

कार्यप्रणाली (Methodology)

प्रक्रियात्मक निष्निष्पक्षता का औपचारिककरण (Formalization of Procedural Fairness)

यह शोध पत्र एक नीति के भीतर समान प्रतिनिधित्व के आधार पर MA-MAB के लिए प्रक्रियात्मक निष्पक्षता की एक औपचारिक परिभाषा प्रस्तुत करता है।

• निर्णय हिस्सा (Decision Share): एजेंट $i$ के लिए, निर्णय हिस्सा $\beta_i(P)$ उनके पसंदीदा आर्म्स (वे आर्म्स जिनका औसत पुरस्कार $\mu^*_{i,k}$ उच्चतम है) को आवंटित कुल प्रायिकता द्रव्यमान (probability mass) है।
• प्रक्रियात्मक निष्पक्षता की परिभाषा: एक नीति $P$ प्रक्रियात्मक रूप से निष्पक्ष है यदि आर्म्स पर प्रायिकता वितरण को $N$ समान हिस्सों ($1/N$) में विभाजित किया जा सकता है, जहाँ प्रत्येक एजेंट का हिस्सा विशेष रूप से उनके पसंदीदा आर्म्स को आवंटित किया जाता है।
• प्रक्रियात्मक निष्पक्षता स्कोर (PF): लेखक यह मापने के लिए एक अनुकूलन समस्या (optimization problem) तैयार करते हैं कि कोई दिया गया नीति प्रक्रियात्मक रूप से कितना निष्पक्ष है। यह स्कोर उस $1/N$ निर्णय हिस्से के अधिकतम अंश को दर्शाता जिसे नीति के कुल प्रायिकता बाधाओं का उल्लंघन किए बिना प्रत्येक एजेंट के पसंदीदा आर्म्स को आवंटित किया जा सकता है। 1 का स्कोर पूर्ण प्रक्रियात्मक निष्पक्षता को दर्शाता है।

एल्गोरिद्मिक दृष्टिकोण (Algorithmic Approach)

एक ऑनलाइन सेटिंग में एक प्रक्रियात्मक रूप से निष्पक्ष नीति सीखने के लिए जहाँ पुरस्कार के माध्य (reward means) अज्ञात हैं:

1. उद्देश्य: लेखक डिसीजन-शेयर-बेस्ड नैश वेलफेयर ($NW_\beta$) को अधिकतम करते हैं, जिसे एजेंटों के निर्णय हिस्सों के गुणनफल के रूप में परिभाषित किया गया है: $\prod_{i=1}^N \beta_i(P)$।
2. सैद्धांतिक गारंटी: वे सिद्ध करते हैं (प्रमेय 1) कि $NW_\beta$ को अधिकतम करना एक ऐसी नीति प्रदान करता है जो प्रक्रियात्मक रूप से निष्पक्ष है (अर्थात, यह प्रक्रियात्मक कोर (Procedural Core) में स्थित है)।
3. लर्निंग एल्गोरिदम (Algorithm 1):
   • पसंदीदा आर्म सेट ($\hat{F}_i$) का अनुमान लगाने के लिए UCB शैली के अभिसरण सीमाओं (concentration bounds) का उपयोग करता है।
   • एक यादृच्छिक अन्वेषण (randomized exploration) तंत्र को शामिल करता है (एक यादृच्छिक आर्म को $t^{-(1-\gamma)}$ प्रायिकता के साथ खींचना) ताकि यह सुनिश्चित हो सके कि सभी आर्म्स पर्याप्त रूप से सैंपल किए गए हैं ताकि विश्वास अंतराल (confidence intervals) को कम किया जा सके और वास्तविक पसंदीदा सेट प्राप्त किया जा सके।
   • प्रत्येक चरण में, एल्गोरिदम वास्तविक पसंदीदा सेटों को निर्धारित करने के लिए अनुमानित पसंदीदा सेटों पर $NW_\beta$ अनुकूलन को हल करता है।
4. रिग्रेट विश्लेषण (Regret Analysis): पेपर प्रक्रियात्मक निष्पक्षता रिग्रेट ($R_{PF}$) को उन राउंड्स की संख्या के आधार पर परिभाषित करता है जहाँ अनुमानित पसंदीदा सेट वास्तविक सेटों से मेल नहीं खाते हैं। वे $O(K + T^\gamma/\gamma + (\dots)^{1/\gamma})$ का उप-रैखिक (sublinear) रिग्रेट बाउंड सिद्ध करते हैं, जो यह दर्शाता है कि एल्गोरिदम एक प्रक्रियात्मक रूप से निष्पक्ष नीति की ओर अभिसरित होता है।

मुख्य योगदान (Key Contributions)

1. औपचारिक परिभाषा: MA-MAB के लिए प्रक्रियात्मक निष्पक्षता की एक कठोर परिभाषा, जो प्रतिनिधित्व (आवाज) को परिणाम की गुणवत्ता (उपयोगिता) से अलग करती है।
2. असंभवता परिणाम (Impossibility Results): यह शोध पत्र सिद्ध करता है कि प्रक्रियात्मक निष्पक्षता, परिणाम-आधारित निष्पक्षता की धारणाओं के साथ मौलिक रूप से असंगत है।
   • प्रस्तावना 2 और 3: ऐसे रिवॉर्ड स्ट्रक्चर मौजूद हैं जहाँ कोई भी नीति पूर्ण प्रक्रियात्मक निष्पक्षता और पूर्ण असमानता न्यूनीकरण या पूर्ण उपयोगितावाद को एक साथ प्राप्त नहीं कर सकती।
   • प्रमेय 6: उपयोगिता-आधारित नैश वेलफेयर-इष्टतम नीतियां और प्रक्रियात्मक रूप से निष्पक्ष नीतियां एक दूसरे को पारेटो डोमिनेट (Pareto dominate) करने की गारंटी नहीं देती हैं; वे अलग-अलग, अक्सर संघर्षरत मूल्यों को प्राथमिकता देती हैं।
3. कोर स्थिरता (Core Stability): लेखक स्थापित करते हैं कि निर्णय-शेयर-आधारित नैश वेलफेयर को अधिकतम करने वाली नीतियां प्रक्रियात्मक कोर में स्थित होती हैं। इसका अर्थ है कि एजेंटों का कोई भी गठबंधन अपने आनुपातिक निर्णय शक्ति का उपयोग प्रत्येक सदस्य के प्रतिनिधित्व (कम से कम एक सख्त सुधार के साथ) को बेहतर बनाने के लिए नहीं कर सकता, जो आवाज के आधार पर विचलन के विरुद्ध स्थिरता सुनिश्चित करता है।
4. एल्गोरिदम और रिग्रेट बाउंड्स: उप-रैखिक रिग्रेट गारंटी के साथ प्रक्रियात्मक रूप से निष्पक्ष नीतियों को सीखने वाला एक एल्गोरिदम, जो यह सुनिश्चित करता है कि जैसे-जैसे सिस्टम सीखता है, एजेंटों की आवाज़ का प्रतिनिधित्व होता है।

अनुभवजन्य परिणाम (Empirical Results)

लेखकों ने अपने दृष्टिकोण का विभिन्न बेंचमार्क्स (उपयोगितावाद, असमानता न्यूनीकरण, इगलिस्टेरियन वेलफेयर, नैश सोशल वेलफेयर, और जनरलाइज्ड गिनी इंडेक्स) के विरुद्ध निम्नलिखित पर मूल्यांकन किया:

• सिंथेटिक डेटा: 7,766 उदाहरण जिनमें एजेंट, आर्म्स और वरीयता वितरण (यूनिफॉर्म, सिंगल-पीक्ड, इमपार्शियल कल्चर, मैलोज़) भिन्न होते हैं।
• वास्तविक दुनिया का डेटा: मैकेनिकल टर्क (PrefLib) से एक डेटासेट जिसमें 50 मतदाता और 4 उम्मीदवार हैं।

निष्कर्ष:

• ट्रेड-ऑफ: परिणाम-आधारित मेट्रिक्स (उपयोगितावाद, NSW) के लिए अनुकूलित नीतियां लगातार निम्न प्रक्रियात्मक निष्पक्षता स्कोर (अक्सर < 0.8) प्राप्त करती हैं, जो यह दर्शाता है कि परिणामों को अनुकूलित करने से अनजाने में समान आवाज सुरक्षित नहीं रहती है।
• संतुलन: प्रक्रियात्मक रूप से निष्पक्ष नीति ने असमानता न्यूनीकरण और उपयोगितावाद में उच्च स्कोर (अक्सर > 0.9) बनाए रखते हुए एक पूर्ण प्रक्रियात्मक निष्पक्षता स्कोर (1.0) प्राप्त किया, जो तीनों आयामों में एक बेहतर संतुलन प्रदर्शित करता है।
• मजबूती (Robustness): जैसे-जैसे एजेंटों के बीच असहमति बढ़ी (जैसे, उच्च फैलाव वाले मैलोज़ मॉडल में), परिणाम-आधारित नीतियों की प्रक्रियात्मक निष्पक्षता काफी कम हो गई, जबकि प्रक्रियात्मक रूप से निष्पक्ष नीति ने अपने प्रतिनिधित्व गारंटियों को बनाए रखा।
• अभिसरण (Convergence): वास्तविक दुनिया के प्रयोग में, लर्निंग एल्गोरिदम एक ऐसी नीति की ओर अभिसरित हुआ जो उच्च समानता और उपयोगिता बनाए रखते हुए समान प्रतिनिधित्व की गारंटी देती है, और अन्य सभी बेंचमार्क्स पर प्रक्रियात्मक मेट्रिक पर बेहतर प्रदर्शन करती है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र तर्क देता है कि प्रक्रियात्मक वैधता (procedural legitimacy) मल्टी-एजेंट सिस्टम में एक विशिष्ट और आवश्यक उद्देश्य है, जो दक्षता या समानता से अलग है।

• मानदण्डिक विकल्प (Normative Choice): लेखक इस बात पर जोर देते हैं कि निष्पक्षता एक एकल गणितीय समाधान नहीं बल्कि प्रतिस्पर्धी मूल्यों का एक सेट है। निष्पक्षता के उद्देश्य को चुनना एक मानदण्डिक निर्णय है: दक्षता (उपयोगितावाद) को प्राथमिकता देना स्वाभाविक रूप से समान आवाज का त्याग करता है, जबकि प्रक्रियात्मक निष्पक्षता को प्राथमिकता देना वैधता सुनिश्चित करने के लिए संभावित अक्षमताओं को स्वीकार करना है।
• अनुकूलन से अधिक वैधता: राजनीतिक दर्शन (रॉल्स, स्कैनलन) और मनोविज्ञान (लिंड और टायलर) का हवाला देते हुए, पेपर का दावा है कि सिस्टम को एजेंटों द्वारा अधिक वैध माना जाता है और स्वीकार किया जाता है यदि वे "भागीदारी की गरिमा" (dignity of participation) का सम्मान करते हैं।
• डिजाइन सिद्धांत: प्रक्रियात्मक निष्पक्षता को केवल एक सैद्धांतिक अवधारणा के रूप में नहीं, बल्कि एक व्यावहारिक डिजाइन सिद्धांत के रूप में प्रस्तुत किया गया है जो ऐसे सिस्टम प्रदान करता है जो स्थिर (core-stable), मजबूत और मानवीय मूल्यों (जैसे "समान आवाज" के रूप में निष्पक्षता) के प्रति प्रतिबिंबित होते हैं।

पेपर निष्कर्ष निकालता है कि जबकि परिणाम-आधारित मेट्रिक्स सुंदर और सुलभ हैं, वे बाहर से थोपे गए मूल्यों को लागू करते हैं। प्रक्रियात्मक निष्पक्षता ध्यान को "किसकी प्राथमिकताओं ने निर्णय को आकार दिया" पर स्थानांतरित करती है, जो ऐसे मल्टी-एजेंट सिस्टम बनाने के लिए एक ढांचा प्रदान करती है जो न केवल बुद्धिमान हैं बल्कि वैध भी हैं।