A Complete-Data Likelihood for Epidemic Processes on Partially Observed Dynamic Networks
部分观测动态网络上的传染病过程完全数据似然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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是部分观测动态接触网络上的流行病传播与网络演化联合建模，直接对应网络与干扰方向；其余领域细分在摘要中缺乏文本依据。
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…
关注这篇论文的作者
部分观测动态网络上的传染病过程完全数据似然
- 研究问题
- 摘要称，如何在动态接触网络上对传染病传播做推断，同时处理潜伏感染时间、网络演化仅部分观测、接触数据测量误差以及来自观测人群之外的外部感染压力。
- 方法与思路
- 作者提出统一的完全数据似然框架，把疾病进展、网络演化与观测机制表示为相互作用的连续时间随机过程；将SEIR流行过程与状态依赖的动态接触网络及症状、接触的显式观测模型耦合。
- 材料陈述的贡献
- 摘要称主要贡献是推导部分观测下流行病—网络联合过程的完全数据事件历史似然，为基于似然与贝叶斯的数据增广推断提供基础，说明疾病进展与接触动态信息如何共同决定参数可识别性，并把既有流行病网络模型揭示为特例。
- 阅读关注点
- 应核对完全数据似然的具体构造与识别条件、数据增广推断的实现方式、外部感染压力与测量误差如何进入模型，以及哪些既有模型确为特例、可识别性结论的成立范围。
- 阅读边界
- 仅凭摘要无法判断推导细节、识别假设、估计可行性或实证表现；该文为arXiv预印本，未经同行评审或期刊接收验证，结论应以正式版本为准。
原文摘要
Inference for infectious disease transmission on dynamic contact networks is complicated by latent infection times, partially observed network evolution, measurement error in contact data, and infection originating from outside the observed population. Existing likelihood-based approaches typically address these challenges separately and often rely on restrictive assumptions such as fully observed networks, closed populations, or symptom onset as a surrogate for infection time. We develop a unified complete-data likelihood framework for epidemic processes evolving on partially observed dynamic networks. The proposed formulation represents disease progression, network evolution, and observation mechanisms as interacting continuous-time stochastic processes within a common probabilistic framework. Specifically, we couple a susceptible-exposed-infectious-removed (SEIR) epidemic process with a status-dependent dynamic contact network and explicit observation models for symptoms and contacts. The resulting framework accommodates latent incubation periods, intermittent network observation, contact measurement error, and external infection pressure while preserving a coherent likelihood structure. Our principal contribution is the derivation of a complete-data event-history likelihood for the joint epidemic-network process under partial observation. The likelihood provides a rigorous foundation for likelihood-based and Bayesian inference through data augmentation, clarifies how information from disease progression and contact dynamics jointly determines parameter estimability, and reveals a broad class of existing epidemic network models as special cases. More generally, the framework contributes to statistical inference for partially observed interacting stochastic systems on evolving networks and establishes a foundation for uncertainty-aware analysis of complex transmission processes.