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

Resumo Técnico: Resposta a Inundações sob Desinformação de Multidões

Definição do Problema
Agências de emergência em casos de inundação dependem cada vez mais de uma arquitetura de informação de fluxo duplo: relatórios de fontes colaborativas (crowdsourced) de alto volume e baixo custo (provenientes de redes sociais e documentos de ajuda mútua) e inspeções por Veículos Aéreos Não Tripulados (VANTs/UAVs) de escassez e alta precisão. Embora os dados colaborativos ofereçam velocidade, eles são vulneráveis à desinformação estruturada, incluindo alarmes falsos induzidos pelo pânico, encaminhamentos obsoletos e rumores deliberados e coordenados.

O desafio operacional central não é meramente estimar a trafegabilidade das vias, mas tomar decisões de despacho robustas (por exemplo, alocação de ônibus de substituição e resgate) sob incerteza de credibilidade da fonte. As regras de fusão tradicionais frequentemente tratam a credibilidade da fonte como uma estimativa de ponto fixo e conhecido. Essa abordagem é frágil: se um adversário injetar uma enxurrada de alegações idênticas disfarçadas de uma classe de fonte específica, ou se a estimativa inicial de credibilidade for estatisticamente ruidosa, a regra de fusão propaga esses erros diretamente para as decisões de despacho, podendo deixar passageiros desamparados ou direcionar incorretamente o socorro. O artigo aborda como alocar recursos escassos de verificação por VANT quando a credibilidade das fontes colaborativas é estatisticamente incerta ou adversarialmente manipulada.

Metodologia
Os autores propõem um framework de decisão baseado em Otimização Robusta Distribucional (DRO) e Inferência Credal. A metodologia consiste em três componentes integrados:

1. Fusão de Crença Robusta:

   • Ambiguidade de Credibilidade: Em vez de uma estimativa de ponto, a credibilidade da fonte (sensibilidade e especificidade) é representada por um conjunto de ambiguidade retangular orientado por dados (um "caixote") centrado na estimativa empírica. A largura deste caixote considera tanto a incerteza estatística (baseada no tamanho da amostra de calibração) quanto um orçamento de injeção adversarial limitado.
   • Modelo de Contaminação: A desinformação é modelada como uma contaminação limitada (vizinhança $\eta$-Huber) onde um adversário injeta uma fração de relatórios.
   • Posterior Credal: O processo de fusão computa um posterior credal — um conjunto de distribuições de probabilidade que representam a crença de pior caso sobre o conjunto de ambiguidade e os limites de contaminação. A decisão de despacho é derivada via uma abordagem min-max: selecionando a ação que minimiza a perda esperada máxima (passageiros desamparados) através de todas as distribuições no conjunto credal.
   • Limitação de Influência: Para evitar que uma única fonte domine o posterior de um segmento, a regra de agregação utiliza a limitação de influência, filtrando relatórios por (segmento, fonte, direção da alegação) e rejeitando "enxurradas" anormalmente concentradas.

2. Duplo Valor da Verificação:

   • Uma verificação por VANT serve a um duplo propósito: esclarece o estado de um segmento de estrada específico e, ao comparar os relatórios inspecionados com a verdade de campo, recalibra a credibilidade da classe de fonte que os gerou.
   • Essa recalibração cria um transbordamento de calibração (calibration spillover): corrigir a credibilidade de uma fonte repondera todos os relatórios daquela classe em toda a rede, não apenas aqueles no segmento inspecionado. O artigo deriva uma expressão de forma fechada para este valor de transbordamento, mostrando que ele cresce linearmente com o número de relatórios que a recalibração limpa.

3. Regra de Priorização de Verificação:

   • O framework deriva um limiar de contaminação ($\tau^\star$) que dita a alocação ideal de uma saída de VANT escassa.
   • Abaixo de $\tau^\star$, o valor marginal de verificar uma estrada específica (esclarecimento de estado) excede o valor de recalibrar a fonte.
   • Acima de $\tau^\star$, o valor de recalibrar a fonte (e, portanto, limpar o transbordamento em toda a rede) excede o valor de inspecionar uma única estrada.
   • O limiar é provado como estritamente decrescente no número de segmentos pivotais que uma fonte toca e estritamente crescente na criticidade da estrada específica sendo inspecionada. O modelo é estendido para um cenário de equilíbrio com um atacante estratégico e em deslocamento, resultando em um limiar de equilíbrio ($\tau^\star_{eq}$) que é inferior ao limiar estático.

Principais Contribuições

1. Atualização Credal Robusta: Uma atualização de crença conservadora e bem fundamentada que lida com credibilidade incerta e adversarial. Ela se reduz à fusão padrão de estimativa de ponto quando a ambiguidade e a contaminação são zero, mas fornece um limite garantido para a perda de decisão sob ataque.
2. Valor de Transbordamento de Calibração: A identificação e quantificação da "externalidade" onde verificar uma fonte corrige o peso de todos os seus relatórios históricos. O artigo prova que este valor pode exceder o valor do esclarecimento de estado, justificando a verificação focada na fonte.
3. Limiares Estruturais: A derivação de um limiar de contaminação de forma fechada ($\tau^\star$) que alterna a ação ótima entre inspeção de estrada e recalibração de fonte. Isso inclui uma análise de equilíbrio para adversários adaptativos, mostrando que a recalibração da fonte é invariante ao deslocamento do atacante, enquanto a verificação da estrada não é.

Resultados
O framework foi avaliado em benchmarks sintéticos e em uma reprodução do evento de inundação de Zhengzhou de 20 de julho de 2021.

• Benchmarks Sintéticos: Sob ataques de rumores direcionados (taxa de contaminação $\tau = 0,5$), a fusão não robusta (estimativa de ponto) resultou em um aumento do arrependimento de 142 para 297 passageiros desamparados. A política robusta limitou o arrependimento entre 105 e 168. O método proposto superou oito baselines competitivos, incluindo fusão Dempster-Shafer, TruthFinder e várias atualizações de Otimização Robusta Distribucional (Wasserstein e KL), que colapsaram sob contaminação direcionada.
• Validação de Limiar: A mudança empírica de priorizar estrada para priorizar fonte ocorreu próximo a $\tau^\star \approx 0,13–0,16$, alinhando-se com a previsão teórica de 0,162.
• Efeito de Transbordamento: Uma única saída de VANT que recalibrou uma fonte sequestrada restaurou a crença da rede e efetivamente limpou aproximadamente 59 relatórios reais na reprodução de Zhengzhou.
• Reprodução de Caso Real (Zhengzhou): No caso de Zhengzhou, a fusão não robusta inverteu uma avaliação de estrada bloqueada, propagando erros através de cerca de 62 células. A fusão robusta preservou a avaliação correta. Em um teste de decisão de rede real (R-NET) pontuado contra um pseudo-oráculo de consenso confiável, métodos não robustos incorreram em 233–300 equivalentes de passageiros desamparados sob rumor, enquanto a política robusta manteve o arrependimento zero e entregou 33% da demanda.

Significância e Alegações
O artigo afirma fornecer uma regra fundamentada para agências de emergência alocarem recursos escassos de verificação quando informações de fontes colaborativas são pouco confiáveis ou manipuladas.

• Mudança Operacional: Argumenta-se que, sob contaminação coordenada, a ação mais valiosa é frequentemente não verificar o evento específico (a estrada), mas recalibrar a fonte de reporte. Este ramo de "calibrar a fonte" protege a decisão de socorro subsequente ao reponderar uma rede de relatórios correlacionados.
• Robustez vs. Sensibilidade: O framework demonstra que a robustez contra manipulação direcionada não requer o descarte de dados colaborativos; requer, em vez disso, uma regra de fusão estruturada que limite a influência por fonte e utilize o duplo valor da verificação.
• Generalização: Embora demonstrado na resposta a inundações, os autores afirmam que a abordagem é generalizável para qualquer domínio que envolva um fluxo de sensores humanos de alto volume e manipulável, um verificador confiável escasso e uma decisão subsequente com perda mensurável (ex: moderação de conteúdo, inteligência de cadeia de suprimentos).

Os autores mantêm a modéstia quanto ao escopo, observando que os limiares de forma fechada dependem de um modelo pivotal estilizado e que os resultados de Zhengzhou são pontuados contra um "pseudo-oráculo de consenso confiável", em vez de uma verdade de campo pesquisada. Eles identificam o próximo passo como um teste de campo para registrar conjuntamente as verificações de VANT, atribuição de fonte e escolhas de despacho.