在接触网络上重建缺失的流行扩展信息可能是预防和遏制策略必不可少的。例如，鉴定和警告感染性但无症状的个体（例如，手动接触跟踪）有助于在Covid-19流行中含有爆发。可能的流行病级联的数量通常随着所涉及的个体的数量呈指数级增长。流行病过程中推理问题所带来的挑战源于难以识别与证据兼容的几乎可忽略的子集（例如，医学测试）。在这里，我们提出了一种新的生成神经网络框架，可以对与观察相兼容的最可能的感染级联来进行样本。此外，该框架可以推断治疗感染扩散的参数。所提出的方法从患者零问题，风险评估和传染性参数的现有方法获得更好或比较的结果，综合性和实际情况中的传染性参数，如在工作场所和医院传播感染。
translated by 谷歌翻译