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

Résumé Technique : Réponse aux Inondations sous l'Influence de la Désinformation de Masse

Énoncé du Problème
Les agences d'urgence face aux inondations s'appuient de plus en plus sur une architecture d'information à double flux : des rapports issus du crowdsourcing à haut volume et faible coût (réseaux sociaux et documents d'entraide mutuelle) et des inspections par Véhicule Aérien Sans Pilote (UAV/drone), rares et de haute précision. Bien que les données issues du crowdsourcing offrent de la rapidité, elles sont vulnérables à une désinformation structurée, incluant des fausses alertes induites par la panique, des retransmissions obsolètes et des rumeurs délibérées et coordonnées.

Le défi opérationnel central n'est pas simplement d'estimer la praticabilité des routes, mais de prendre des décisions de déploiement robustes (par exemple, le déploiement de bus de substitution et l'allocation de secours) dans un contexte d'incertitude sur la crédibilité des sources. Les règles de fusion traditionnelles traitent souvent la crédibilité de la source comme une estimation ponctuelle connue. Cette approche est fragile : si un adversaire injecte un déluge de revendications identiques déguisées en une classe de source spécifique, ou si l'estimation initiale de la crédibilité est statistiquement bruitée, la règle de fusion propage ces erreurs directement dans les décisions de déploiement, risquant ainsi de laisser des passagers bloqués ou de détourner les secours. Le document traite de la manière d'allouer les ressources de vérification limitées des UAV lorsque la crédibilité des sources de foule est soit statistiquement incertaine, soit manipulée de manière adverse.

Méthodologie
Les auteurs proposent un cadre de décision basé sur l'Optimisation Robuste par Distribution (DRO - Distributionally Robust Optimization) et l'Inférence Créale. La méthodologie se compose de trois composantes intégrées :

1. Fusion de Croyance Robuste :

   • Ambiguïté de Crédibilité : Au lieu d'une estimation ponctuelle, la crédibilité de la source (sensibilité et spécificité) est représentée par un ensemble d'ambiguïté rectangulaire (un « boîtier ») centré sur l'estimation empirique. La largeur de ce boîtier tient compte à la fois de l'incertitude statistique (basée sur la taille de l'échantillon de calibration) et d'un budget d'injection adverse limité.
   • Modèle de Contamination : La désinformation est modélisée comme une contamination bornée (voisinage $\eta$-Huber) où un adversaire injecte une fraction de rapports.
   • Postérieur Créal : Le processus de fusion calcule un postérieur créal — un ensemble de distributions de probabilité représentant la croyance la plus défavorable sur l'ensemble d'ambiguïté et les limites de contamination. La décision de déploiement est dérivée via une approche min-max : choisir l'action qui minimise la perte attendue maximale (passagers bloqués) à travers toutes les distributions de l'ensemble créal.
   • Limitation de l'Influence : Pour éviter qu'une seule source ne domine le postérieur d'un segment, la règle d'agrégation utilise une limitation d'influence, tronquant les rapports par (segment, source, direction de la revendication) et rejetant les « déluges » anormalement concentrés.

2. Double Valeur de la Vérification :

   • Une vérification par UAV sert un double objectif : elle clarifie l'état d'un segment de route spécifique et, en comparant les rapports inspectés à la vérité terrain, recalibre la crédibilité de la classe de source qui les a générés.
   • Cette recalibration crée un effet de débordement de calibration (spillover) : corriger la crédibilité d'une source rééquilibre le poids de tous les rapports de cette classe à travers le réseau, et pas seulement ceux sur le segment inspecté. Le document dérive une expression en forme close pour cette valeur de débordement, montrant qu'elle croît linéairement avec le nombre de rapports que la recalibration nettoie.

3. Règle de Priorisation de la Vérification :

   • Le cadre dérive un seuil de contamination ($\tau^\star$) qui dicte l'allocation optimale d'une sortie UAV limitée.
   • En dessous de $\tau^\star$, la valeur marginale de la vérification d'une route spécifique (clarification de l'état) excède la valeur de la recalibration de la source.
   • Au-dessus de $\tau^\star$, la valeur de la recalibration de la source (et donc du nettoyage du débordement à l'échelle du réseau) excède la valeur de l'inspection d'une seule route.
   • Le seuil est prouvé comme étant strictement décroissant par rapport au nombre de segments pivots touchés par une source et strictement croissant par rapport à la criticité de la route spécifique inspectée. Le modèle est étendu à un cadre d'équilibre avec un attaquant stratégique et mobile, produisant un seuil d'équilibre ($\tau^\star_{eq}$) inférieur au seuil statique.

Contributions Clés

1. Mise à jour Créale Robuste : Une mise à jour de croyance conservatrice et bien posée qui gère la crédibilité incertaine et adverse. Elle se réduit à une fusion standard par estimation ponctuelle lorsque l'ambiguïté et la contamination sont nulles, mais fournit une borne garantie sur la perte de décision sous attaque.
2. Valeur de Débordement de Calibration : L'identification et la quantification de l'« externalité » où la vérification d'une source corrige le poids de tous ses rapports historiques. Le document prouve que cette valeur peut dépasser la valeur de la clarification de l'état.
3. Seuils Structurels : La dérivation d'un seuil de contamination en forme close ($\tau^\star$) qui bascule l'action optimale de l'inspection de route vers la recalibration de la source. Cela inclut une analyse d'équilibre pour des adversaires adaptatifs, montrant que la recalibration de la source est invariante à la relocalisation de l'attaquant, contrairement à la vérification de la route.

Résultats
Le cadre a été évalué sur des bancs d'essai synthétiques et sur une reconstitution de l'inondation de Zhengzhou du 20 juillet 2021.

• Bancs d'Essai Synthétiques : Sous des attaques de rumeurs ciblées (taux de contamination $\tau = 0,5$), la fusion non robuste (estimation ponctuelle) a entraîné une augmentation du regret de 142 à 297 passagers bloqués. La politique robuste a plafonné le regret entre 105 et 168. La méthode proposée a surpassé huit bases de comparaison compétitives, incluant la fusion de Dempster-Shafer, TruthFinder, et diverses mises à jour d'optimisation robuste par distribution (Wasserstein et KL), qui se sont toutes effondrées sous une contamination ciblée.
• Validation du Seuil : Le basculement empirique de la vérification « d'abord la route » vers « d'abord la source » s'est produit près de $\tau^\star \approx 0,13–0,16$, s'alignant sur la prédiction théorique de 0,162.
• Effet de Débordement : Une seule sortie UAV ayant recalibré une source détournée a restauré la croyance du réseau et a effectivement nettoyé environ 59 rapports réels lors de la reconstitution de Zhengzhou.
• Reconstitution Réelle (Zhengzhou) : Dans le cas de Zhengzhou, la fusion non robuste a inversé une évaluation de route bloquée, propageant les erreurs sur environ 62 cellules. La fusion robuste a préservé l'évaluation correcte. Dans un test de décision sur réseau réel (R-NET) scoré contre un pseudo-oracle de consensus de confiance, les méthodes non robustes ont engendré 233 à 300 équivalents-passagers bloqués sous l'effet de la rumeur, tandis que la politique robuste a maintenu un regret nul et a délivré 33 % de la demande.

Signification et Revendications
Le document prétend fournir une règle fondée sur des principes permettant aux agences d'urgence d'allouer les ressources de vérification limitées lorsque les informations issues du crowdsourcing sont peu fiables ou manipulées.

• Changement Opérationnel : Il soutient que sous une contamination coordonnée, l'action la plus précieuse est souvent non pas de vérifier l'événement spécifique (la route) mais de recalibrer la source de signalement. Cette branche « calibrer la source » protège la décision de secours en aval en repondérant un réseau de rapports corrélés.
• Robustesse vs Sensibilité : Le cadre démontre que la robustesse face à une manipulation ciblée ne nécessite pas de rejeter les données de la foule ; elle nécessite plutôt une règle de fusion structurée qui limite l'influence par source et utilise la double valeur de la vérification.
• Généralisabilité : Bien que démontré pour la réponse aux inondations, les auteurs affirment que l'approche est généralisable à tout domaine impliquant un flux de capteurs humains à haut volume et manipulable, un vérificateur de confiance rare, et une décision en aval avec une perte mesurable (ex: modération de contenu, intelligence de la chaîne d'approvisionnement).

Les auteurs restent modestes quant à la portée, notant que les seuils en forme close reposent sur un modèle de pivot stylisé et que les résultats de Zhengzhou sont scorés contre un « pseudo-oracle de consensus de confiance » plutôt que contre une vérité terrain par enquête. Ils identifient la prochaine étape comme un essai sur le terrain pour enregistrer conjointement les vérifications par UAV, l'attribution des sources et les choix de déploiement.