arXiv cs.AI· Akseli Kangaslahti, Milind Tambe, Alastair van Heerden, Cheryl Johnson·· 10 小时前AI 评分31
R2C-Agent：基于同伴推荐网络规划 HIV 干预的可扩展方法
Towards Scalable Network-Based Interventions for HIV Treatment and Prevention via R2C-Agent
AI 导读
研究提出 R2C-Agent，一个面向 HIV 防治的网络干预决策智能体，其核心是条件图扩散模型 Referral-to-Contact Diffusion（R2C-Diff），将同伴推荐网络视为对隐藏接触网络的增量破坏并学习逆向还原。
正文 · AI 翻译
摘要：人类免疫缺陷病毒（HIV）在全球范围内仍是一项紧迫的公共卫生挑战。利用基于网络的算法有效分配有限的 HIV 预防与治疗资源，是一个在 AAMAS 及其他计算领域有着悠久研究历史的长期问题。然而，针对减少 HIV 传播而优化靶向生物医学干预，往往需要能够观测个体间 HIV 传播风险行为的接触网络，而大规模收集此类网络成本高得令人难以承受。同伴推荐网络，即通过递归同伴推荐过程收集的网络，是另一种常用于研究隐藏人群中 HIV 的网络类别，可通过数字方式大规模收集，但它们偏离了底层接触网络：推荐可能沿非风险的社会关系进行，且参与者只接受一次推荐，从而隐藏了已被招募个体之间的接触。在本工作中，我们首先形式化了这一新问题：在仅观测同伴推荐网络的情况下，规划基于网络的干预措施以最小化隐藏接触网络中的 HIV 传播。其次，我们实现了 R2C-Agent，这是一种围绕我们新的条件图扩散模型 Referral-to-Contact Diffusion（R2C-Diff）设计的干预决策智能体。R2C-Diff 将同伴推荐过程建模为对底层接触网络的增量破坏，并学习将其逆转。R2C-Agent 在由 R2C-Diff 采样得到的接触网络上规划其干预措施，因此其决策会考虑隐藏接触网络的不确定性。最后，我们使用真实世界的 HIV 网络数据进行了模拟实验，结果表明 R2C-Agent 在经验上规划出的干预措施比跨学科文献中的基线方法更有效，并突出了驱动性能的关键权衡与假设。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.13312 [cs.AI] |
| （或 arXiv:2611.13312v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13312 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Akseli Kangaslahti [查看电子邮件]
[v1]
2026年11月9日星期一 22:29:15 UTC（2,390 KB）
来源：arXiv cs.AI · arxiv.org