Fundamental Limits of Non-Adaptive Group Testing with Markovian Correlation
针对马尔可夫相关性下的分组检测,提出近最优非自适应策略,检测次数在熵界的1.44倍内,且随突发长度增加而减少。
2025-01-24 cs.IT math.IT
Efficiently Decodable Non-Adaptive Threshold Group Testing
我们认为非自适应阈值组测试识别$d$有缺陷的项目在一组$n$项目,其中测试是积极的,如果它包含至少$2 \leq u \leq d$有缺陷的项目,否则为负。对于任何概率为1的$ε> 0$或$t = O \left( \left( \frac{d}{u} \right)^u \left( \frac{d}{d -u} \right)^{d - u} d^3 \log{n} \cdot \log{\frac{n}{d}} \right)$测试,可以使用概率至少为$1 - ε$的$t = O \left( \left( \frac{d}{u} \right)^u \left( \frac{d}{d - u} \right)^{d-u} \left(u \log{\frac{d}{u}} + \log{\frac{1}ε} \right) \cdot d^2 \log{n} \right)$测试识别缺陷项目。解码时间为$t \times \mathrm{poly}(d^2 \log{n})$。该结果显著地改进了用于解码非自适应阈值组测试的最佳已知结果:用于概率解码的$O(n\log{n} + n \log{\frac{1}ε})$,其中$ε> 0$,以及用于确定性解码的$O(n^u \log{n})$。
2018-09-24 cs.IT math.IT
Non-Adaptive Group Testing based on Sparse Pooling Graphs
本文对基于稀疏池图的非自适应群测试方案进行了信息论分析。待测对象的二进制状态由i.i.d.一个(l,r,n)-正则池化图是一个左节点度为l,右节点度为r的二部图,其中n是左节点的个数。考虑两种情况:无噪声设置和噪声设置。本文的主要贡献是直接部分定理,给出了实现任意小估计误差概率的估计量存在的条件。通过对(l,r,n)-正则池图系综上典型集合估计器的估计误差概率的上界求平均,证明了直部定理。数值结果表明,尖锐的阈值行为的渐近制度。
2013-04-26 cs.IT math.IT
Adaptive group testing as channel coding with feedback
分组测试是通过将项目分组到测试池中来识别总体中的缺陷项目的组合问题。最近,从信息论的角度研究了非适应性群体测试--所有的测试池必须在一开始就决定。使用来自信道编码的技术,已经给出了精确恢复缺陷集所需的测试数量的上限和下限,即使测试结果可能是有噪声的。在本文中,我们给出了第一个信息理论的结果自适应组测试-其中以前的测试结果可以影响未来的测试化妆。我们发现,自适应测试并没有多大帮助,因为所需的测试的数量服从相同的下限为非自适应测试。我们的证明使用类似的技术,以证明反馈不提高信道容量。
2012-03-27 cs.DM cs.IT math.IT
Superimposed Codes and Threshold Group Testing
我们将讨论叠加代码和非自适应组测试设计所产生的潜在的压缩基因分型模型在分子生物学。给定的文件的动机是30周年的D 'yachkov-Rykov经常性上界的叠加码的速度在1982年出版。我们也受到了最近非自适应门限群测试结果的启发,这些结果发展了叠加码理论
2014-01-29 cs.IT math.IT
Noisy Adaptive Group Testing: Bounds and Algorithms
组测试问题包括基于许多可能有噪声的测试从较大的项目集合中确定一小组有缺陷的项目,并且在诸如医疗测试、通信协议、模式匹配等应用中是相关的。分组测试问题的一个定义特征是非自适应和自适应设置之间的区别:在非自适应情况下,所有测试都必须提前设计,而在自适应情况下,每个测试都可以根据以前的结果设计。虽然严格的信息理论的限制和接近最佳的实际算法是已知的自适应设置在没有噪声的情况下,令人惊讶的是,在嘈杂的自适应设置知之甚少。在本文中,我们解决这个差距,提供信息理论的可扩展性和各种噪声模型下的逆界,以及一个计算效率较低的可扩展性界。这些界限被证明是紧或近紧在广泛的缩放制度,特别是在低噪声水平。用于可扩展性结果的算法具有仅使用两个或三个阶段的自适应性的显著特征。
2018-10-04 cs.IT math.IT math.PR
Non-adaptive probabilistic group testing with noisy measurements: Near-optimal bounds with efficient algorithms
我们考虑通过非自适应“随机池化”组测试从大集合中检测缺陷项的一小部分集的问题。我们考虑的情况下,当测量是无噪声的,和的情况下,当测量是嘈杂的(每个组测试的结果可能是独立的故障概率q)。这些方案的订单最优结果在文献中是已知的。我们给这些问题的查询复杂性的信息理论的下限,并提供相应的计算效率的算法,匹配的下限到一个常数因子。据我们所知,这项工作是第一次明确估计这样一个常数,这些问题的上限和下限之间的差距的特点。
2011-07-22 cs.IT math.IT
Efficient Decoding Schemes for Noisy Non-Adaptive Group Testing when Noise Depends on Number of Items in Test
非自适应组测试的目标是从$N$项目中最多识别出$d$缺陷项目,其中,如果$N$项目子集的测试包含至少一个缺陷项目,则该测试为阳性,否则为阴性。然而,在许多情况下,特别是在生物筛选中,由于生物化学相互作用,结果是不可靠的;即,\textit{noise.}因此,阳性结果可能变为阴性(假阴性),反之亦然(假阳性)。在这项工作中,我们首先考虑的稀释效果,其中\textit{the degree of noise depends on the number of items in the test}。提出了两种有效的方案,用于识别时间线性的测试所需的数量的缺陷项目。实验结果验证了我们的理论分析。具体来说,设置误差精度为0.001和$d\leq16$,我们提出的算法总是在不到7秒的时间内识别出$N=2^{33}\approx 9$十亿的所有缺陷项。
2018-03-16 cs.IT math.IT
Rates of adaptive group testing in the linear regime
我们认为自适应组测试的线性政权,有缺陷的项目的数量与项目的数量呈线性比例。分析了一种基于广义二进制分裂的算法。提供少于一半的项目是有缺陷的,我们实现了超过0.9位的组合零错误测试,每测试超过0.95位的概率小错误测试。
2020-04-04 cs.DM cs.IT math.IT
Tight Bounds for Equivalence Testing with Non-Adaptive Conditional Samples
New York University(纽约大学)
针对非自适应条件样本下的分布等价性测试问题,给出了该问题所需查询次数的紧界,证明其复杂度为tildeθ(log n),明确了该场景下等价性测试的查询复杂度。
2026-10-09 cs.DS cs.IT math.IT
Secure Adaptive Group Testing
\emph{Group Testing}(GT)通过将项目分组到尽可能少的测试池中,解决了从大量的缺陷项目中识别出一小部分缺陷项目的问题。在\emph{Adaptive GT}(AGT)中,先前测试的结果可能会影响未来测试的组成。Aldridge $2012$使用信息论的观点表明,在少数缺陷的情况下,自适应并没有多大帮助,因为所需的测试数量基本上与非自适应GT相同。\emph{Secure GT}考虑了一种情况,即有一个窃听者可以观察到测试结果的一部分$δ$,但不应该能够推断出项目的状态。在非自适应场景中,所需的测试数量是没有保密约束的测试数量的$1/(1-δ)$倍。在本文中,我们考虑\emph{Secure Adaptive GT}。具体地,当在池的组成期间,可以访问来自实验室的速率为$R_f$的私人反馈链路时。我们证明,在合法的实验室,正确的重建所需的测试的数量,具有很高的概率,并在窃听者可以忽略不计的互信息是$1/min\{1,1-δ+R_f\}$倍的测试所需的数量,没有保密约束。因此,不像非安全GT,自适应算法只有轻微的影响,在安全约束下,它可以显着提高性能。一个关键的见解是,不仅自适应链路应该忽略实际的测试结果,并简单地发送密钥,这些密钥应该在使用前通过“秘密共享”方案进行增强。我们驱动充分性和必要性的界限,完全特征的安全自适应GT能力。
2020-08-14 cs.IT math.IT
A Fast Binary Splitting Approach to Non-Adaptive Group Testing
在本文中,我们考虑的问题,无噪声的非自适应组测试下的每一个恢复保证,也被称为概率组测试。在$n$项目和$k$缺陷的情况下,我们提供了一种算法,通过$O(k \log n)$在测试数量和运行时间方面进行缩放来实现高概率恢复,从而改进了以前仅使用$O(k \log n)$测试的任何算法的最佳已知$O(k^2 \log k \cdot \log n)$运行时间。我们的算法与Hwang的自适应广义二进制分裂算法(Hwang,1972)相似;我们递归地处理几何消失大小的项目组,同时保持一个“可能有缺陷”的组列表,并避免自适应性的需要。虽然我们算法的最基本形式需要$Ω(n)$存储,但我们也提供了一种基于哈希的低存储变体,具有类似的恢复保证。
2020-06-18 cs.DS cs.IT math.IT
Novel Decoding Algorithm for Noiseless Non-Adaptive Group Testing
University of Bristol(布里斯托大学)
本文提出W-SCOMP算法,提升无噪声非适应性群检测的效率和性能。
2026-01-12 cs.IT math.IT math.PR
Group testing for overlapping communities
在本文中,我们提出了算法,利用已知的社区结构,使组测试更有效。我们考虑一个由相互连接的社区组成的群体:每个个体参与一个或多个社区,每个个体的感染概率取决于他所参与的社区。用例包括参加多个课程的学生和共享公共空间的工作人员。群体检测通过将诊断样本集中在一起进行检测,减少了识别感染个体所需的检测次数。我们发现,使测试算法知道的社区结构,可以显着减少测试的数量需要自适应和非自适应组测试。
2021-03-17 cs.IT math.IT
Noisy Adaptive Group Testing via Noisy Binary Search
成组测试问题是基于大量可能存在噪声的测试,从一组较大的测试项目中确定一组较小的缺陷项目,具有许多实际应用。分组测试的定义特征之一是测试是否是自适应的(即,可以基于所有先前的结果来选择给定的测试)或非自适应的(即,所有测试必须提前选择)。在本文中,二进制分裂技术在无噪声组测试(黄,1972年)的成功的基础上,我们介绍了噪声组测试算法,应用噪声二进制搜索作为一个子程序。我们提供了这种方法的三种变体,其复杂性不断增加,最终形成了一种算法,该算法成功地使用了许多与以前最知名的测试相匹配的测试(Scarlett,2019),同时克服了现有方法的基本实际限制,并更精确地捕获了测试数量对错误概率的依赖性。我们提供的数值实验表明,基于噪声二进制搜索的自适应组测试策略在实践中是非常有效的,使用显着较少的测试相比,国家的最先进的非自适应策略。
2021-11-11 cs.DS cs.IT math.IT
Optimal adaptive group testing
群体检验问题涉及在一个规模为$n$的大群体中为$θ\in (0,1)$的感染个体识别少量的$k \sim n^θ$。在我们的处置是一个测试程序,使我们能够测试群体的个人。本文考虑两阶段设计,其中第一阶段的测试结果可以为第二阶段的设计提供信息。我们感兴趣的是恢复受感染个体w. h. p.集的最小测试次数。配备了[Coja-Oghlan,Gebhard,Hahn-Klimroth \& Loick 2019]的一阶段组测试的新算法,我们提出了一个多项式时间两阶段算法,该算法与组测试的通用信息论下限相匹配。该结果改进了[Mézard \& Toninelli 2011]的结果,并解决了[Aldridge,Johnson \& Scarlett 2019,Berger \& Levenshtein 2002,Damaschke \& Muhammad 2012]中突出提出的开放问题。
2019-11-18 cs.DM cs.IT math.IT
An Efficient Algorithm for Capacity-Approaching Noisy Adaptive Group Testing
在本文中,我们考虑了自适应测试设计和噪声结果的组测试问题。我们提出了一个计算效率高的四个阶段的程序,组件包括随机装箱,识别含有缺陷项目,1-稀疏恢复通过信道码,和一个“清理”的步骤,以纠正任何错误的早期阶段。我们证明,渐近所需的测试次数非常接近最知名的信息理论的可扩展性界(这是基于计算上难以处理的解码),并接近一个基于容量的逆界在低稀疏制度。
2019-11-07 cs.IT math.IT math.PR
Strong converses for group testing in the finite blocklength regime
我们证明了新的强逆结果在各种组测试设置,推广Baldassini,约翰逊和Aldridge的结果。这些结果证明了两种不同的方法,相应的非自适应和自适应的情况下。在非自适应的情况下,我们模仿假设检验参数中引入的有限块长度信道编码制度Polyanskiy,穷人和Verdú。在自适应的情况下,我们结合了一个配方的基础上有向信息论的想法Kemperman,Kesten和沃尔福威茨从反馈的信道编码的问题。在这两种情况下,我们证明结果是有效的有限大小的问题,并暗示能力的结果在渐近制度。这些结果以图形方式说明了一系列模型。
2015-09-21 cs.IT math.IT math.PR
The capacity of non-identical adaptive group testing
我们考虑的情况下,项目是独立的,但有非常数的概率有缺陷的成组测试问题。我们介绍并分析了一种算法来解决这个问题,通过适当地将项目分组在一起。我们给出的条件下,该算法执行基本上是最佳的意义上的信息理论的能力。我们使用测量结果的集中度来限制该算法需要比预期数量更多的测试的概率。在数据库给出特定频带将被占用的先验信息的情况下,这对认知无线电的频谱分配具有应用。
2014-09-30 cs.IT math.IT math.PR
Two-Stage Adaptive Pooling with RT-qPCR for COVID-19 Screening
我们提出了两阶段自适应合并方案,2-STAP和2-STAMP,用于使用实时逆转录定量聚合酶链反应(RT-qPCR)检测试剂盒检测COVID-19。类似于Ghosh等人的Tapestry方案,所提出的方案利用来自RT-qPCR过程的关于池中总病毒载量的软信息。这与传统的分组测试方案形成对比,在传统的分组测试方案中,测量是布尔的。所提出的方案提供了更高的测试吞吐量比普遍使用的Dorfman的计划。它们还提供了比最先进的非自适应Tapestry方案更高的测试吞吐量、灵敏度和特异性。移液操作的数量低于最先进的非自适应合并方案,并且高于Dorfman方案。所提出的计划可以与非自适应计划的组大小小得多的工作,是简单的描述。使用Ghosh等人(Tapestry)工作中的统计模型进行的Monte-Carlo模拟显示,在961人的人群中,平均可以通过70.86次测试识别出10名感染者,灵敏度为99.50%,特异性为99.62。这分别是单独测试、Dorfman测试和Tapestry方案的测试吞吐量的13.5倍、4.24倍和1.3倍。
2020-07-06 cs.IT math.IT q-bio.QM
Heuristic Random Designs for Exact Identification of Defectives Using Single Round Non-adaptive Group Testing and Compressed Sensing
2019冠状病毒病大流行爆发所揭示的挑战之一是减少识别病毒携带者所需的测试数量,以遏制病毒传播,同时保持测试的可靠性。为了解决这个问题,一个流行测试的基础上组测试和压缩感知方法或GTCS范式进行了检查。在这些设置中,非自适应组测试算法被设计为排除肯定阴性样本。然后,在减少的问题,压缩感知算法被应用到解码的积极,而不需要任何进一步的测试,除了初始测试矩阵设计的组测试阶段。其结果是采用单轮非自适应分组测试-压缩感知算法来识别阳性样本。本文提出了一种启发式随机方法来构造测试设计,称为$α-$随机行设计或$α-$ RRD。在$α-$ RRD中,构建随机检测矩阵,使得每个检测在一组检测或合并液中最多聚集$α$样本。合并的测试被逐一地选择,使得先前在相同测试中选择的样本不太可能在新测试中聚合在一起。我们检查了$α-$ RRD设计在GTCS范例中的几个$α$值的性能。实验是在合成数据上进行的。我们的研究结果表明,对于某些值的$α$,减少高达10倍的测试数量时,可以实现$α-$ RRD设计应用于GTCS范式。
2021-12-23 cs.IT math.IT stat.AP
Improved Adaptive Group Testing Algorithms with Applications to Multiple Access Channels and Dead Sensor Diagnosis
我们研究组测试算法,用于解决广播冲突的多址接入信道(MAC),并确定在移动自组织无线网络中的死传感器。在分组测试算法中,当我们可以测试任意子集的项目时,我们被要求识别一组项目中的所有缺陷项目。在标准的分组测试问题中,测试的结果是二元的--被测试的子集要么包含有缺陷的项目,要么不包含。在本文研究的更一般的版本中,每个测试的结果都是非二进制的。例如,它可以指示包含在测试子集中的缺陷物品的数量是零、一还是至少两个。我们给出了自适应算法,证明比以前的组测试算法更有效。我们还展示了我们的算法可以应用于解决冲突的MAC和死传感器诊断。与MAC解析相比,失效传感器诊断提出了一个有趣的挑战,因为失效传感器无法在本地检测到,它们本身也不是主动参与者。
2009-05-12 cs.DS cs.IT math.IT
Learning to Ask: Decision Transformers for Adaptive Quantitative Group Testing
Halıcıoğlu Data Science Institute, University of California San Diego(哈利奇奥格卢数据科学研究所,加州大学圣地亚哥分校)
针对定量群测试自适应收益未突破非自适应下界的问题,将问题转化为随稀疏度缩放的整数向量恢复任务,并用决策Transformer自适应求解,首次将平均查询数降至非自适应信息论下界以下。
2025-09-01 cs.IT cs.LG math.IT
Adaptive Monte Carlo Multiple Testing via Multi-Armed Bandits
蒙特卡罗(MC)排列检验被认为是统计假设检验的金标准,特别是当标准参数假设不明确或可能失败时。然而,在需要同时执行大量假设检验的现代数据科学环境中,由于其高昂的计算成本,很少使用它。例如,在全基因组关联研究中,假设检验$m$的数量约为$10^6$,而每个检验的MC样本数量$n$可能大于$10^8$,总计超过$nm$ = $10^{14}$样本。本文提出了自适应MC多重检验(AMT)来估计MC p值,并控制多重检验中的错误发现率。该算法输出与标准全MC方法相同的结果,具有高概率,同时仅需要$\tilde{O}(\sqrt{n}m)$样本。该样本复杂度被证明是最佳的。在Parkinson GWAS数据集上,该算法将完整MC的运行时间从2个月减少到1个小时。基于多臂强盗理论推导了AMT算法。
2019-05-18 cs.IT math.IT q-bio.GN
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验,采用自适应和非自适应策略。在这种设置中,顺序地请求未知状态的样本,并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下,无论是在预期还是高概率,我们表现出自适应策略,最大限度地减少这两种类型的错误识别错误。也就是说,我们表明,这些错误呈指数下降(在停止时间)的衰减率由两个国家之间的测量相对熵。此外,如果我们允许对多个样本进行联合测量,则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数,并提供了数值证据表明,自适应测量是必要的,以实现我们的界限下,一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
Efficient Probabilistic Group Testing Based on Traitor Tracing
受最近抗共谋叛逆者追踪结果的启发,我们提供了一个构建高效概率群测试方案的框架。在传统的分组测试模型中,我们的方案渐近地要求T ~ 2KlnN测试(以高概率)找到N个项目中的K个缺陷的正确集合。该框架也适用于几个嘈杂的组测试和阈值组测试模型,往往导致以前已知的结果的改进,但我们强调,这个框架可以应用于其他变种的经典模型,以及在自适应和非自适应设置。
2014-04-09 cs.CR cs.IT math.IT
Community aware group testing
在本文中,我们提出了算法,利用已知的社区结构,使组测试更有效。我们考虑在不相交社区中组织的人口:每个个体参与社区,其感染概率取决于他所参与的社区。用例包括家庭、参加多个课程的学生以及共享公共空间的工作人员。群体检测通过将诊断样本集中在一起进行检测,减少了识别感染个体所需的检测次数。我们表明,如果我们设计的测试策略,考虑到社区结构,我们可以显着减少自适应和非自适应组测试所需的测试的数量,并可以提高在测试的情况下,噪声的可靠性。
2021-03-17 cs.IT math.IT stat.ME
Improved algorithms for non-adaptive group testing with consecutive positives
分组测试的目标是通过测试在大量的项目中有效地识别一些特定的项目,称为阳性。测试是对一个子集的操作,如果该子集包含至少一个阳性,则返回阳性,否则返回阴性。在非自适应组测试中,所有测试都是预先确定的,并且可以并行执行。在这项工作中,我们考虑非自适应组测试与连续的积极的项目是线性排序和积极的顺序是连续的。我们在这里提出两个贡献。第一个是直接使用二进制码来构造测量矩阵相比,使用格雷码在国家的最先进的工作,这是一个重排的二进制码,当连续的积极的最大数量是已知的。这在实践中导致解码时间的减少。第二个是当已知连续阳性的数量时,有效的设计来识别阳性。据我们所知,这一设置尚未调查。我们的模拟验证了我们提出的设计的效率。特别是,它只需要高达$300$测试,以确定高达$100$阳性在一组$2^{32} \approx 4.3\mathrm{B}$项目在不到$300$纳秒。当已知连续阳性的最大数量时,仿真验证了我们所提出的设计在解码方面的优越性,与最先进的工作相比。此外,当已知连续阳性的数目时,测试的数目和解码时间几乎减少一半。
2021-11-05 cs.DM cs.IT math.IT
Improved Bounds and Algorithms for Sparsity-Constrained Group Testing
在分组测试中,目标是根据测试结果表明是否存在任何缺陷项目的测试,在较大的项目集合中识别出缺陷项目的子集。这个问题与医学测试、数据科学、通信等领域有关。出于物理考虑,我们考虑基于稀疏性的约束设置(Gandikota等人,2019),其中测试程序受到以下两个约束之一的约束:项目是可分割的,因此最多可以参与$γ$测试;或者测试的大小受到约束,每个测试池不超过$ρ$项目。虽然信息理论的限制和算法是已知的非自适应设置,相对较少的是已知的自适应设置。我们解决这个差距,提供了一个信息理论的逆,即使在自适应设置,以及一个接近最佳的无噪声自适应算法$γ$可分割的项目。在广泛的标度制度,我们的上限和下限渐近匹配的一个因素$e$。我们还提出了一个简单的渐近最优自适应算法的$ρ$大小的测试。此外,在非自适应设置与$γ$ -可分项目,我们使用的定亏(DD)解码算法和研究所需的测试次数的界限下,消失的错误概率的随机近常数测试每项目设计。我们表明,所需的测试的数量可以显着小于组合正交匹配追踪(COMP)解码算法,并在广泛的缩放制度是渐近最优的。
2020-11-10 cs.IT math.IT math.PR
Anaconda: A Non-Adaptive Conditional Sampling Algorithm for Distribution Testing
Simons Institute for the Theory of Computing(西蒙斯计算理论研究所);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
我们研究了非自适应条件样本的分布检验。在条件抽样模型中,算法被赋予对分布的以下访问:它向oracle提交查询集$S$,oracle返回来自分布的样本,条件是来自$S$。在非自适应设置中,必须在查看结果之前指定所有查询集。我们的主要成果是第一个多元查询算法的等价性测试,决定是否两个未知的分布是相等或远离对方。这是一个指数的改善,在以前的最佳上限,并表明该模型中的问题的复杂性是中间的标准采样模型和自适应条件采样模型中的问题的复杂性。我们还显着提高了样品的复杂性,更容易的问题的一致性和同一性测试。对于前者,我们的算法只需要$\tilde O(\log n)$查询,匹配的信息理论下限的$O(\log \log n)$ -因素。我们的算法的工作原理是将问题从$\ell_1$ -测试减少到$\ell_\infty$ -测试,这使得样本复杂性要便宜得多。由于非自适应模型的功率有限,我们的算法非常简单。然而,由于两个任意分布如何不同的复杂结构,分析中存在重大挑战。
2018-11-05 cs.DS cs.IT cs.LG
Sublinear-Time Non-Adaptive Group Testing with $O(k \log n)$ Tests via Bit-Mixing Coding
组测试问题包括基于对项目组的测试从较大的项目集合中确定一小组有缺陷的项目,并且在诸如医疗测试、通信协议、模式匹配等应用中是相关的。虽然严格的组测试算法长期以来一直是已知的,其运行时间在项目数量上至少是线性的,但是最近的一系列工作试图将运行时间减少到${\rm poly}(k \log n)$,其中$n$是项目的数量,而$k$是缺陷的数量。在本文中,我们提出了这样一种算法,称为{ \em位混合编码}(BMC),它建立在测试矩阵中的项目索引编码技术,同时结合新的想法,基于擦除校正编码的非自适应概率组测试。我们表明,BMC实现渐近消失的错误概率与$O(k \log n)$测试和$O(k^2 \cdot \log k \cdot \log n)$运行时,在限制为$n \to \infty$(与$k$具有任意依赖于$n$)。这解决了最近提出的使用$O(k \log n)$测试同时实现${\rm poly}(k \log n)$解码时间而不对$k$进行任何假设的公开问题。此外,我们表明,相同的缩放定律,可以达到在一个共同考虑的噪声设置,其中每个测试结果是翻转与恒定的概率。
2020-01-24 cs.IT eess.SP math.IT
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者,他负责收集观察结果,以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类:i)顺序与非顺序; ii)自适应与非自适应。非序贯策略收集固定数量的观测样本,然后做出最终决策;而在序贯策略下,样本大小最初是未知的,由观测结果决定。在自适应策略下,决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下,动作的选择与过去的观测结果无关。在本文中,性能界限提供的政策在每一类。使用这些界限,序列性增益和自适应性增益,即,表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
Optimal Non-Adaptive Group Testing with One-Sided Error Guarantees
National University of Singapore(新加坡国立大学)
研究了允许少量误分类的分组测试近似恢复问题,提出在仅允许假阴性或假阳性误分类的情况下,存在匹配最优阈值的算法,并证明现有算法在仅允许假阳性时最优。
2026-04-23 cs.IT math.IT math.ST
Adaptive Learn-then-Test: Statistically Valid and Efficient Hyperparameter Selection
King’s College London(伦敦国王学院)
提出自适应先学习后测试(aLTT)方法,利用e-processes实现序列数据依赖型多重假设检验与提前终止,在保证统计有效性的同时大幅减少测试轮数,有效降低AI模型超参数选择的成本与安全风险。
2025-01-31 cs.AI cs.IT cs.LG
Exact Thresholds for Noisy Non-Adaptive Group Testing
本文针对噪声非自适应群组测试,在伯努利和近恒定每项测试数两种随机设计下推导出精确渐近阈值,结合信息论阈值解码器与最大似然解码分析,同时给出上界和下界,显著缩小了与无噪声设置之间的理论差距。
2024-10-23 cs.DM cs.IT math.IT