Likelihood-Based Inference for Partially Observed Epidemics on Dynamic Networks
动态网络上部分观测疫情的似然推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接建模个体接触网络及传播过程的相互作用，网络依赖是核心研究对象，因此归入网络与干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
动态网络上部分观测疫情的似然推断
- 研究问题
- 当接触网络随时间变化并与疾病传播相互影响，而且个体疫情过程仅被部分观测时，如何进行模型估计和推断？
- 方法与思路
- 作者将连边马尔可夫过程与个体随机易感—感染—康复模型耦合，通过马尔可夫链蒙特卡洛和数据增广处理缺失康复时间。
- 材料陈述的贡献
- 摘要称提出动态适应性网络上的生成模型与推断方案，模拟支持其灵活性和计算表现，并应用于流感样疾病接触追踪数据。
- 阅读关注点
- 应核对网络与疾病过程的耦合方式、部分观测下参数可识别性、康复时间增广步骤，以及模拟和实际数据的观测机制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；模型假设、识别条件与算法诊断未说明，不能据此确认实际适配程度。
原文摘要
We propose a generative model and an inference scheme for epidemic processes on dynamic, adaptive contact networks. Network evolution is formulated as a link-Markovian process, which is then coupled to an individual-level stochastic susceptible-infectious-recovered model, to describe the interplay between the dynamics of the disease spread and the contact network underlying the epidemic. A Markov chain Monte Carlo framework is developed for likelihood-based inference from partial epidemic observations, with a novel data augmentation algorithm specifically designed to deal with missing individual recovery times under the dynamic network setting. Through a series of simulation experiments, we demonstrate the validity and flexibility of the model as well as the efficacy and efficiency of the data augmentation inference scheme. The model is also applied to a recent real-world dataset on influenza-like-illness transmission with high-resolution social contact tracking records. Supplementary materials for this article are available online.