像给部分打车区域发司机奖励：这些区域运力可能增加，邻区却可能被抽走司机。平台若只看各区是否拿到奖励，就可能把有害方案当成安全方案。这就是网络干扰——一个区域的结果也受邻居影响。论文指出，在六个月的模拟实验日志中，能按精确“暴露”直接估计的候选方案仅占 17% 至 19%；暴露指自身是否获奖励，以及周围有多少区域获奖励。
作者提出 ESGuard。它会合并相近暴露以增加样本，同时为这种合并可能带来的系统偏差单独估一个上限，再把它扣进护栏指标的置信下界。护栏指标就是方案不可越过的安全线，例如不能让服务不足地区的体验下降过多。若没有方案能可靠过线，系统就维持现状。
在基于 310 万次纽约市网约车行程构建的模拟器中，加入偏差界后，各种估计方法的同时覆盖率都从低于标称的 95% 升至至少 95%。在只影响服务不足地区的场景里，ESGuard 选中方案后违反护栏的比例为 0.06%（3571 次中 2 次），点估计规则则为 16%；代价是约四分之一的重复实验中放弃选择。上述结果来自作者模拟，且依赖暴露定义和偏差约束设定正确。