Flood Response under Crowd Misinformation: Robust Belief Fusion and UAV Verification Prioritization

Resumen Técnico: Respuesta a Inundaciones bajo Desinformación de la Multitud

Planteamiento del Problema
Las agencias de emergencia ante inundaciones dependen cada vez más de una arquitectura de información de doble vía: informes de la multitud de alto volumen y bajo costo (provenientes de redes sociales y documentos de ayuda mutua) e inspecciones mediante Vehículos Aéreos No Tripulados (VANT/UAV) de escasos pero alta precisión. Si bien los datos de la multitud ofrecen rapidez, son vulnerables a la desinformación estructurada, que incluye falsas alarmas inducidas por el pánico, reenvíos obsoletos y rumores deliberados y coordinados.

El desafío operativo central no es simplemente estimar la transitabilidad de las carreteras, sino tomar decisiones de despacho robustas (por ejemplo, puentes de autobuses y asignación de rescate) bajo una incertidumbre de credibilidad de la fuente. Las reglas de fusión tradicionales suelen tratar la credibilidad de la fuente como una estimación puntual conocida y fija. Este enfoque es frágil: si un adversario inyecta una avalancha de afirmaciones idénticas disfrazadas de una clase de fuente específica, o si la estimación inicial de credibilidad es estadísticamente ruidosa, la regla de fusión propaga estos errores directamente a las decisiones de despacho, lo que podría dejar pasajeros varados o desviar erróneamente la ayuda. El artículo aborda cómo asignar los escasos recursos de verificación de VANT cuando la credibilidad de las fuentes de la multitud es estadísticamente incierta o está manipulada de forma adversaria.

Metodología
Los autores proponen un marco de decisión basado en la Optimización Robusta Distribucional (DRO) y la Inferencia Credal. La metodología consta de tres componentes integrados:

1. Fusión de Creencia Robusta:

   • Ambigüedad de Credibilidad: En lugar de una estimación puntual, la credibilidad de la fuente (sensibilidad y especificidad) se representa mediante un conjunto de ambigüedad rectangular basado en datos (una "caja") centrado en la estimación empírica. El ancho de esta caja da cuenta tanto de la incertidumbre estadística (basada en el tamaño de la muestra de calibración) como de un presupuesto de inyección adversaria limitado.
   • Modelo de Contaminación: La desinformación se modela como una contaminación acotada (vecindad $\eta$-Huber) donde un adversario inyecta una fracción de informes.
   • Posterior Credal: El proceso de fusión calcula un posterior credal: un conjunto de distribuciones de probabilidad que representan la creencia del peor caso sobre el conjunto de ambigüedad y los límites de contaminación. La decisión de despacho se deriva mediante un enfoque min-max: seleccionar la acción que minimiza la pérdida esperada máxima (pasajeros varados) a través de todas las distribuciones en el conjunto credal.
   • Limitación de Influencia: Para evitar que una sola fuente domine el posterior de un segmento, la regla de agregación emplea una limitación de influencia, recortando los informes por (segmento, fuente, dirección de la afirmación) y rechazando "avalanchas" anomalamente concentradas.

2. Doble Valor de la Verificación:

   • Una verificación de VANT cumple un doble propósito: aclara el estado de un segmento de carretera específico y, al comparar los informes inspeccionados con la verdad de campo, recalibra la credibilidad de la clase de fuente que los generó.
   • Esta recalibración crea un derrame de calibración (calibration spillover): corregir la credibilidad de una fuente repondera todos los informes de esa clase en toda la red, no solo aquellos en el segmento inspeccionado. El artículo deriva una expresión de forma cerrada para este valor de derrame, mostrando que crece linealmente con el número de informes que la recalibración limpia.

3. Regla de Priorización de Verificación:

   • El marco deriva un umbral de contaminación ($\tau^\star$) que dicta la asignación óptima de una salida de VANT escasa.
   • Por debajo de $\tau^\star$, el valor marginal de verificar una carretera específica (aclaración de estado) supera el valor de recalibrar la fuente.
   • Por encima de $\tau^\star$, el valor de recalibrar la fuente (y, por tanto, limpiar el derrame en toda la red) supera el valor de inspeccionar una sola carretera.
   • Se demuestra que el umbral decrece estrictamente en el número de segmentos pivotes que toca una fuente y aumenta estrictamente en la criticidad de la carretera específica que se inspecciona. El modelo se extiende a un entorno de equilibrio con un atacante estratégico que se desplaza, produciendo un umbral de equilibrio ($\tau^\star_{eq}$) que es menor que el umbral estático.

Contribuciones Clave

1. Actualización Credal Robusta: Una actualización de creencias conservadora y bien planteada que maneja la credibilidad incierta y adversaria. Se reduce a la fusión de estimación puntual cuando la ambigüedad y la contaminación son cero, pero proporciona un límite garantizado en la pérdida de decisión bajo ataque.
2. la Valor del Derrame de Calibración: La identificación y cuantificación de la "externalidad" donde verificar una fuente corrige el peso de todos sus informes históricos. El artículo demuestra que este valor puede exceder el valor de la aclaración de estado, justificando la verificación centrada en la fuente.
3. Umbrales Estructurales: La derivación de un umbral de contaminación de forma cerrada ($\tau^\star$) que cambia la acción óptima de la inspección de carretera a la recalibración de la fuente. Esto incluye un análisis de equilibrio para adversarios adaptativos, mostrando que la recalibración de la fuente es invariable al desplazamiento del atacante, mientras que la verificación de la carretera no lo es.

Resultados
El marco fue evaluado en pruebas de referencia sintéticas y en una reproducción del evento de inundación de Zhengzhou del 20 de julio de 2021.

• Pruebas de Referencia Sintéticas: Bajo ataques de rumores dirigidos (tasa de contaminación $\tau = 0.5$), la fusión no robusta (estimación puntual) resultó en un aumento del arrepentimiento (regret) de 142 a 297 pasajeros varados. La política robusta limitó el arrepentimiento entre 105 y 168. El método propuesto superó a ocho líneas base competitivas, incluyendo la fusión de Dempster-Shafer, TruthFinder y varias actualizaciones de Optimización Robusta Distribucional (Wasserstein y KL), las cuales colapsaron bajo la contaminación dirigida.
• Validación del Umbral: El cambio empírico de la verificación primero-carretera a primero-fuente ocurrió cerca de $\tau^\star \approx 0.13–0.16$, alineándose con la predicción teórica de 0.162.
• Efecto de Derrame: Una sola salida de VANT que recalibró una fuente secuestrada restauró la creencia de la red y limpió eficazmente aproximadamente 59 informes reales en la reproducción de Zhengzhou.
• Replay de Mundo Real (Zhengzhou): En el caso de Zhengzhou, la fusión no robusta revirtió una evaluación de carretera bloqueada, propagando errores a través de ~62 celdas. La fusión robusta preservó la evaluación correcta. En una prueba de decisión de red real (R-NET) puntuada contra un pseudo-oráculo de consenso confiable, los métodos no robustos incurrieron en 233–300 equivalentes de pasajeros varados bajo el rumor, mientras que la política robusta mantuvo un arrepentimiento de cero y entregó el 33% de la demanda.

Significancia y Reivindicaciones
El artículo afirma proporcionar una regla fundamentada para que las agencias de emergencia asignen escasos recursos de verificación cuando la información de la multitud es poco fiable o manipulada.

• Cambio Operativo: Argumenta que, bajo contaminación coordinada, la acción más valiosa no es a menudo verificar el evento específico (la carretera), sino recalibrar la fuente de reporte. Esta rama de "calibrar la fuente" protege la decisión de socorro descendente al reponderar una red de informes correlacionados.
• Robustez vs. Sensibilidad: El marco demuestra que la robustez contra la manipulación dirigida no requiere descartar los datos de la multitud; más bien, requiere una regla de fusión estructurada que limite la capacidad de apalancamiento por fuente y utilice el doble valor de la verificación.
• Generalizabilidad: Aunque se demuestra en la respuesta a inundaciones, los autores afirman que el enfoque es generalizable a cualquier dominio que involucre un flujo de sensores humanos de alto volumen y manipulable, un verificador confiable escaso y una decisión descendente con pérdida medible (por ejemplo, moderación de contenido, inteligencia de la cadena de suministro).

Los autores mantienen la modestia respecto al alcance, señalando que los umbrales de forma cerrada dependen de un modelo pivotal estilizado y que los resultados de Zhengzhou se puntuaron contra un "pseudo-oráculo de consenso confiable" en lugar de una verdad de campo encuestada. Identifican como el siguiente paso un ensayo de campo para registrar conjuntamente las verificaciones de VANT, la atribución de fuentes y las elecciones de despacho.