為驅散這層迷霧，來自相關研究機構的研究人員聚焦于隨機圖上的 SIR（Susceptible-Infected-Recovered，易感 - 感染 - 康復）流行病傳播模型，開展了一項具有突破性的對比研究。這項發表在《Franklin Open》的工作，旨在定量比較經典最大似然法、XGBoost 算法和卷積神經網絡（CNN）在參數估計中的性能，并深入探討圖結構差異、數據類型對估計誤差的影響。研究通過構建靈活的兩層隨機圖模型（包括 household 層和 scale-free 或 clique 的第二層），模擬不同傳播場景，結合模擬數據與 COVID-19 真實數據，揭示了不同方法的優勢與局限。

研究采用了三大關鍵技術路線：其一，基于最大似然原理的經典方法，通過構建感染率估計公式，結合已知或估計的 SI（易感 - 感染）邊權重與數量進行計算；其二，XGBoost 算法，利用梯度提升樹模型，基于等時間間隔的 S/I/R 計數等數據進行訓練；其三，卷積神經網絡（CNN），采用多層卷積核結合全連接層的架構，通過 Adam 優化算法學習時間序列特征。研究中使用 Gillespie 算法模擬流行病軌跡，并引入根均方誤差（RMSE）評估方法性能，同時在真實數據應用中對 COVID-19 數據進行縮放處理以適配模型。

通過模擬實驗的 “數字顯微鏡”，研究人員揭示了不同方法在流行病不同階段的 “能力圖譜”。在疫情早期（t=1），XGBoost 與 CNN 憑借對動態數據的快速學習能力，RMSE 分別低至 0.0314 和 0.0365，顯著優于依賴 SI 邊精確信息的經典方法（RMSE=0.0440）。隨著時間推移至 t=4，當 SI 邊信息已知時，經典方法展現出 “數據積累優勢”，RMSE 降至 0.0085，成為精度之王；而僅使用 SIR 計數的機器學習方法雖稍遜（XGBoost RMSE=0.0117），卻遠勝依賴估計 SI 邊的經典變體（RMSE=0.0142）。有趣的是，當圖結構從 scale-free（C-Sf 模型）切換至 clique（C-C 模型），各方法 RMSE 模式保持相似，暗示算法性能對圖類型不敏感。

在訓練數據的 “拼圖游戲” 中，研究發現 XGBoost 的 “適應性短板” 與 CNN 的 “穩健基因”。當測試數據的 workplace clique 大�。∟_wp）與訓練集差異顯著時（如訓練集為 N_wp=8-11，測試集為 7），XGBoost 的 RMSE 激增，而 CNN 的波動較小。進一步，當訓練與測試集均為 N_wp=9 時，XGBoost 誤差降至 0.012，顯示其對同構數據的高效擬合能力，而 CNN 通過參數調優始終保持誤差在 0.015 左右，彰顯泛化優勢。

在 COVID-19 數據的 “戰場試煉” 中，研究團隊以 Isle of Man 的疫情為樣本，將數據縮放至 5000 人口規模，采用指數分布模擬 10 天平均康復期。結果顯示，XGBoost 與 CNN 在疫情初期（t=10）已能給出接近真實值的估計（約 0.3），對應基本再生數 R₀=2.4。經典方法雖在后期收斂，但機器學習方法的 “早期預警” 能力在公共衛生應急響應中具有關鍵價值。

這項研究為流行病參數估計繪制了一幅清晰的 “算法導航地圖”：當擁有完整圖結構與 SI 邊信息時，經典最大似然法是 “精度先鋒”；若數據受限或面臨結構異質性，XGBoost 憑借高效性成為 “多面手”，而 CNN 則以泛化能力擔當 “魯棒衛士”。研究同時揭示，額外信息如感染頂點平均度可顯著降低誤差，為數據采集策略提供了理論依據。在 COVID-19 等新發傳染病的防控中，這些發現如同精準的 “算法武器庫”，助力公共衛生部門根據數據可及性與場景需求，快速選擇最優估計方案，為疫情預測與干預贏得寶貴時間。未來，結合更復雜的圖神經網絡與實時數據流，該框架有望進一步提升流行病建模的準確性與時效性，為全球健康安全構筑更堅固的 “數字防線”。