面向网络 SEIR 传染病的接触政策学习：一种均场博弈方法

本文发展了一种用于异构接触网络上的 SEIR 传染病的均场博弈模型，其中个体选择基于状态的接触强度，以平衡感染损失与隔离的社交和经济成本。 Nash 均衡通过跨度数类别的耦合 Hamilton-Jacobi-Bellman/Kolmogorov 系统来刻画。SEIR 模型的一个重要特点是暴露期（exposed compartment）：潜伏期将感染与传染性分离，改变了感染后行为的激励。在基线模型中，暴露代理人最优地维持全程接触，而易感代理人则根据感染压力和价值间隙驱动的显式响应规则来减少接触。我们还讨论了通过引入责任或合规激励来实现暴露代理人非平凡预防措施的扩展。我们通过固定点论证明了均衡的存在性，并在满足适当单调性条件下证明了唯一性。分析揭示了，潜伏期越长，预防措施的启动会延迟，这可能导致行为反应较弱和更大的暴发规模。数值实验说明了网络度数和成本指数如何塑造均衡政策和疫情结果。