Fairness-aware design of nudging policies under stochasticity and prejudices

📄 arXiv: 2602.05584v1 📥 PDF

作者: Lisa Piccinin, Camilla Quaresmini, Edoardo Vitale, Mara Tanelli, Valentina Breschi

分类: eess.SY

发布日期: 2026-02-05

备注: Submitted to IFAC WC 2026

💡 一句话要点

提出公平感知的MPC方案，解决随机性和偏见下激励策略的公平性问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 公平性 创新扩散 模型预测控制 社会不平等 激励策略

📋 核心要点

  1. 现有创新扩散模型忽略了社会不平等带来的影响，导致激励策略可能加剧不公平。
  2. 提出一种公平感知的模型预测控制（MPC）方案，在激励分配中同时考虑平等和公平目标。
  3. 实验表明，该方法能有效促进创新扩散，同时减少社会不平等，提升整体公平性。

📝 摘要（中文）

本文提出了一种具有不公正感知的创新扩散模型，该模型扩展了广义线性阈值框架，通过分配服从Beta分布的代理激活阈值来捕捉由不平等塑造的采用的随机性。由于激励策略本身可能会无意中放大这些不平等，因此基于此模型，我们设计了一种公平的模型预测控制（MPC）方案，该方案结合了用于分配激励的平等和公平目标。使用真实移动习惯数据的模拟表明，不公正会降低总体采用率，而平等会平滑激励分配，公平会减少最终结果的差异。因此，纳入公平性可确保有效扩散，而不会加剧现有的社会不平等。

🔬 方法详解

问题定义：论文旨在解决在存在随机性和偏见的情况下，如何设计公平的激励策略以促进创新扩散的问题。现有方法通常忽略了社会不平等对个体采纳行为的影响，导致激励策略可能无意中加剧现有的社会不平等，使得优势群体更容易获得激励并从中受益，从而扩大差距。

核心思路：论文的核心思路是建立一个能够反映社会不平等对个体采纳行为影响的创新扩散模型，并在此基础上设计公平感知的激励策略。通过将个体的采纳阈值建模为服从Beta分布的随机变量，来模拟社会不平等带来的影响。然后，利用模型预测控制（MPC）框架，在优化激励策略时同时考虑平等和公平目标，以确保激励分配的公平性。

技术框架：整体框架包括以下几个主要模块：1) 扩展的广义线性阈值模型：用于模拟创新扩散过程，考虑了社会不平等对个体采纳行为的影响。2) 公平感知的MPC控制器：用于设计激励策略，目标是最大化创新扩散的同时，最小化社会不平等。3) 仿真环境：使用真实移动习惯数据进行仿真实验，评估所提出方法的性能。

关键创新：论文的关键创新在于：1) 提出了一个具有不公正感知的创新扩散模型，能够更真实地反映社会不平等对个体采纳行为的影响。2) 设计了一种公平感知的MPC方案，能够在优化激励策略时同时考虑平等和公平目标。

关键设计：在MPC控制器中，关键设计包括：1) 目标函数的设计：目标函数同时考虑了创新扩散的效率、激励分配的平等性和结果的公平性。2) 约束条件的设计：约束条件包括激励预算约束、个体采纳阈值约束等。3) Beta分布参数的选择：Beta分布的参数决定了个体采纳阈值的分布，需要根据实际情况进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与传统的激励策略相比，所提出的公平感知的MPC方案能够更有效地促进创新扩散，同时减少社会不平等。具体来说，不公正会降低总体采用率，而平等会平滑激励分配，公平会减少最终结果的差异。该方法在保证创新扩散效率的同时，显著提升了社会公平性。

🎯 应用场景

该研究成果可应用于公共政策制定、市场营销、社会干预等领域。例如，政府可以利用该方法设计更公平的补贴政策，促进清洁能源的普及；企业可以利用该方法设计更公平的营销策略，避免加剧社会不平等。该研究有助于实现更公平、更可持续的社会发展。

📄 摘要（原文）

We present an injustice-aware innovation-diffusion model extending the Generalized Linear Threshold framework by assigning agents activation thresholds drawn from a Beta distribution to capture the stochastic nature of adoption shaped by inequalities. Because incentive policies themselves can inadvertently amplify these inequalities, building on this model, we design a fair Model Predictive Control (MPC) scheme that incorporates equality and equity objectives for allocating incentives. Simulations using real mobility-habit data show that injustice reduces overall adoption, while equality smooths incentive distribution and equity reduces disparities in the final outcomes. Thus, incorporating fairness ensures effective diffusion without exacerbating existing social inequalities.