推断疫情传播时，我们既看不见每天真实的传播状态，也未必知道传播参数。传统做法常让两者轮流更新，但它们彼此牵连时，采样器容易在相近答案间打转。Palomares 与 Storvik 提出的 p-CSMC，试图让静态参数和隐藏状态沿时间同步探索。CSMC（条件序贯蒙特卡洛）会用许多带权“粒子”表示可能状态，同时固定保留一条参考轨迹；这里的“混合”则指采样器摆脱当前答案、探索其他可能性的速度。
方法中最关键的一步，是把原本固定不变的参数改写成一段参数序列，再构造一个扩展分布，同时保留原问题的后验分布作为边缘分布。算法还结合祖先采样——重新选择粒子轨迹的来路——并在条件分布可由充分统计量概括时直接更新参数。作者在模拟分枝过程和挪威 2021 年 Alpha 变异株到来后的每日住院数据上测试，称其相较标准 Particle Gibbs 混合更快、样本自相关更低；但现有材料未给出具体提升数字，且适用前提是参数的条件分布能够采样。