[Paper] 在对抗性数据和用户欺骗下的流行病学动态建模

发布: 3天前 (2026年2月24日 GMT+8 02:45)

8 分钟阅读

原文: arXiv

Source: arXiv - 2602.20134v1

概述

自报告的健康数据——比如疫苗接种状态、佩戴口罩情况或社交距离习惯——已成为现代流行病学模型的基石。Su 等人的新论文解决了一个棘手的问题：当人们故意误报这些信息会怎样？作者采用博弈论的“信号博弈”框架，展示了即使相当大比例的人口提供欺骗性数据，公共卫生部门仍然能够控制疫情。

Game‑theoretic model of data deception – 将个人（可能撒谎）与卫生部门（必须推断真相）之间的互动形式化为信号博弈。
Analytical equilibrium characterization – 推导出separating（诚实）和pooling（欺骗）均衡的条件，并量化它们对疾病传播的影响。
Policy‑design guidelines – 演示了如何通过定制激励和验证机制来限制错误信息造成的危害。
Robustness insights – 表明即使在普遍不诚实的情况下，精心设计的发送者/接收者策略也能保持感染水平低。
Cross‑disciplinary toolkit – 将流行病学、人工智能和博弈论相结合，提供一个可复用的框架，适用于其他依赖用户生成数据的领域。

信号博弈设置 –
- 发送者：个人决定是报告真实行为（例如“我已接种疫苗”）还是撒谎，取决于个人收益（避免处罚、获取利益）。
- 接收者：公共卫生部门使用收到的信号更新其流行病学模型，然后决定采取何种非药物干预措施（口罩令、疫苗接种宣传等）。
效用函数 – 双方都有明确的成本/收益结构：
- 发送者 权衡欺骗的即时收益与更大疫情爆发的长期风险。
- 接收者 在模型准确性（降低感染风险）与更严格政策的成本之间取得平衡。
均衡分析 – 作者求解贝叶斯纳什均衡：
- 分离均衡：诚实报告是占优策略；当局能够完美推断真实行为。
- 混合均衡：所有类型发送相同（可能是虚假的）信号；当局必须依赖先验信念和统计推断。
仿真层 – 将理论结果嵌入标准的 SEIR（易感‑潜伏‑感染‑康复）模型，作者能够在不同均衡情形和政策杠杆（如罚款、验证检测）下模拟感染轨迹。

Separating equilibria 驱动感染随时间接近零——本质上是理想情形，即真实数据让当局能够微调干预措施。
Pooling equilibria（高度欺骗）在当局采用稳健策略时仍能实现有效控制：
- 引入适度的验证（随机检测、数字证书）可降低说谎的动机。
- 针对最坏情况行为的自适应非药物干预（如全民佩戴口罩）即使在数据质量低下时也能将再生数保持在 1 以下。
该模型量化了一个容忍阈值：只要配套激励和验证措施得当，约 30 % 的系统性误报仍可被吸收，而不会出现灾难性激增。
敏感性分析显示，误报导致的成本（不必要的限制）被防止疫情激增的收益所抵消，尤其在欺骗率上升时更是如此。

底线：通过将自报告健康数据视为一种战略信号而非静态输入，这项研究为开发者、政策制定者和 AI 工程师提供了一种原则性的方法，以防范欺骗对流行病模型的影响——将潜在的脆弱性转化为可管理的设计参数。