人类免疫缺陷病毒（HIV）仍是全球公共卫生的重大挑战。有效利用有限的预防和治疗资源，需要在网络上进行精准干预，但真实的接触网络难以大规模获取。同行推荐网络（peer referral network）通过递归邀请方式在隐藏人群中可数字化收集，却与真实接触网络存在偏差：推荐可能沿非风险社交链，且每位受试者仅接受一次推荐，导致已招募者之间的联系被隐藏。
本文首先给出在仅观测到同行推荐网络的情况下，规划针对隐藏接触网络的干预以最小化 HIV 传播的形式化问题。随后提出 R2C‑Agent，一种基于新型条件图扩散模型 Referral‑to‑Contact Diffusion（R2C‑Diff）的决策代理。R2C‑Diff 将同行推荐过程视为对底层接触网络的逐步腐蚀，并学习逆向恢复的概率分布。R2C‑Agent 在从 R2C‑Diff 采样的接触网络上进行干预规划，使决策自然考虑隐藏网络的不确定性。
实验使用真实 HIV 网络数据进行仿真，对比多种跨学科基线方法，结果显示 R2C‑Agent 能显著提升干预效果。研究还分析了模型假设、采样规模等因素对性能的影响，揭示了实际部署时的关键权衡。
点评：R2C‑Agent 将网络观测误差建模为可学习的扩散过程，为资源受限的公共卫生干预提供了可解释且可扩展的工具，值得在更大规模的流行病学场景中进一步验证。