研究突破 arXiv cs.AI
流行病学中的对抗性数据建模 Adversarial Data Modeling in Epidemiology
精读摘要
流行病学模型越来越依赖众包、自报的行为数据——疫苗接种、口罩佩戴、社交距离等。但这类数据不是被动采样，而是策略性上报：人们为了规避处罚、获取福利或表达对公卫机构的不信任而虚报，构成数据挖掘管道的典型对抗输入。研究把人群与建模方之间的互动建模为博弈，为「自报数据不可信」这一现实问题提供分析框架。 Epidemiological models increasingly rely on crowdsourced, self-reported behavioral data such as vaccination status and mask usage, but such data is strategically reported rather than passively sampled. Individuals misreport to avoid penalties, access benefits, or express distrust, making it a canonical adversarial input. The work casts the interaction between the population and the modeler in a data-modeling framework.
关键要点
- 自报行为数据是策略性上报，而非被动采样
- 虚报动机包括规避处罚、获取福利与表达不信任
- 研究用数据建模框架刻画人群与建模方的博弈
💡 对普通人的影响：暂无直接影响；疫情等公卫危机中，更稳健的建模有助于制定可靠政策。