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
Semi-Quantitative Group Testing: A Unifying Framework for Group Testing with Applications in Genotyping
我们提出了一种新的组测试方法,称为半定量组测试,在基因组筛选实验中出现的一类问题的动机。半定量组测试(SQGT)是一种(可能)非二进制池化方案,可以被视为加法器通道和整数值量化器的级联。在其完整的一般性,SQGT可以被看作是一个统一的框架,组测试,在这个意义上,大多数组测试模型是SQGT的特殊情况。对于新的测试方案,我们定义的概念,SQ-析取和SQ-可分码,代表的经典析取和可分码的推广。我们描述了几个组合和概率构造这样的代码。虽然对于这些构式中的大多数,我们假设缺陷词的数量远小于测试主题的总数,但我们也考虑了缺陷词的数量没有限制并且它们可能与主题的总数一样大的情况。对于本文构造的码,我们描述了一些有效的译码算法。此外,我们描述了一个信念传播解码器的稀疏SQGT码,目前还没有其他有效的解码器。最后,我们定义了SQGT的能力的概念,并评估它的一些特殊的参数选择使用信息论的方法。
2013-10-08 cs.IT math.IT
The Noisy Quantitative Group Testing Problem
University of California, San Diego(加州大学圣地亚哥分校)
本文研究了定量群体测试问题,分析了三种模型的性能:无噪声模型、加性高斯噪声模型和噪声Z信道模型,并提出了两种算法:基于相关分数的线性估计器和最小二乘估计器。
2026-04-20 cs.IT math.IT
LDPC Codes for Quantitative Group Testing with a Non-Binary Alphabet
本文提出一种基于LDPC码的定量群组测试方案,通过在二分图中引入非二进制隐藏变量并按规模q将项目分组为束,利用传递上下界的消息传递译码器,在有限复杂度增加下显著超越二进制方案。
2024-09-29 cs.IT math.IT
Sequential Analysis in High Dimensional Multiple Testing and Sparse Recovery
本文从序贯分析的角度研究了高维多重检验和稀疏恢复问题。在这种情况下,错误的概率是问题维度的函数。提出了一种简单的序贯测试方法。我们推导出在非序贯设置的可靠恢复的必要条件,并将它们与可靠恢复的充分条件使用建议的序贯测试程序。几个常见的模型的主要结果的应用程序表明,序贯测试可以指数更敏感的零和替代分布之间的差异(在尺寸的依赖),这意味着微妙的情况下,可以更可靠地确定使用序贯方法。
2011-06-03 cs.IT math.IT math.ST
Group Testing using left-and-right-regular sparse-graph codes
我们考虑的问题,非自适应组测试的$N$项目,其中$K$或更少的项目是已知的缺陷。我们提出了一种基于左右正则稀疏图码的测试方案和一个简单的迭代译码器。我们表明,对于任何任意小的$ε>0$,我们的计划只需要$m=c_εK\log \frac{c_1N}{K}$测试,以恢复$(1-ε)$分数的缺陷项目具有高概率(w.h.p),即,其中概率在$N$和$K$中渐近地接近$1$,其中常数$c_ε$和$\ell$的值是期望的误差平层$ε$和常数$c_1=\frac{\ell}{c_ε}$的函数(对于$ε$的各种值,观察到近似等于1)。更重要的是,迭代解码算法具有$\mathcal{O}(K\log \frac{N}{K})$的次线性计算复杂度,这已知是最优的。同样对于$m=c_2 K\log K\log \frac{N}{K}$测试,我们的方案恢复了\textit{whole}组缺陷项w.h. p。这些结果对于问题的无噪声和有噪声版本都是有效的,只要缺陷项的数量与项目的总数成次线性比例,即,$K=o(N)$。仿真结果验证了理论结果,显示出所需的测试的数量相比,基于左正则稀疏图的测试方案有很大的改善。
2017-01-25 cs.IT math.IT
Sequential Testing for Sparse Recovery
本文研究了高维稀疏信号恢复的序贯方法。当与固定样本大小的程序相比时,在稀疏设置中,顺序方法可以导致可靠的信号支持恢复所需的样本数量的大幅减少。从一个下限开始,我们证明了任何坐标顺序抽样程序在高维极限下都失败,只要每维的平均测量数小于log s/D(P_0||其中s是稀疏性水平,D(P_0|| P_1)基本分布之间的Kullback-Leibler散度。一系列的序贯概率比检验(SPRT),需要完整的知识的基础分布,以实现这一界限。出于现实世界的实验和最近的工作,在自适应传感,我们介绍了一个简单的程序,称为序贯采样,可以实现时,基本的测试问题满足单调似然比假设。如果每个维度的平均测量数增长速度快于log s/ D(P_0),则顺序保持可保证精确的支持恢复||P_1),达到下界。为了比较,我们证明了任何非顺序过程都失败,只要测量次数以小于log n/D(P_1)的速率增长||P_0),其中n是问题的总维数。
2014-10-04 cs.IT math.IT
Noise-Tolerant Codebooks for Semi-Quantitative Group Testing: Application to Spatial Genomics
面向空间基因组学的半定量分组检测需求,本文提出 $\lambda$-{\sf ADD}-码,并针对不同距离情形给出显式构造、可高效计算的 GV 型下界及上界。
2024-05-11 cs.IT math.IT
SAFFRON: A Fast, Efficient, and Robust Framework for Group Testing based on Sparse-Graph Codes
组测试通过有效地汇集项目组来解决从一组$n$项目中识别$K$缺陷项目的问题,以减少所需的测试数量。如果一组项目中的任何项目有缺陷,则该组项目的测试结果为阳性,否则为阴性。我们的目标是明智地分组项目的子集,使得有缺陷的项目可以使用最少的测试次数可靠地恢复,同时还具有低复杂度的解码过程。我们描述SAFFRON(稀疏grAph代码框架gROuptestNg),一个非自适应组测试范式,恢复至少$(1-ε)$ -分数(对于任何任意小的$ε> 0$)的$K$缺陷项目具有高概率与$m=6C(ε)K\log_2{n}$测试,其中$C(ε)$是一个精确的特征常数,只依赖于$ε$。例如,它可以通过$m \simeq 68 K \log_2{n}$测试至少可证明地恢复$(1-10^{-6})K$缺陷项。SAFFRON译码算法的计算复杂度为$\mathcal{O}(K\log n)$,是阶数最优的。此外,我们对SAFFRON进行了鲁棒化,使其即使在存在错误或噪声测试结果的情况下也能可靠地恢复$K$缺陷项集。我们还提出了Singleton-Only-SAFFRON,SAFFRON的一个变体,它可以用概率为$1-\mathcal{O}{\left(\frac{1}{K^α}\right)}$的$m=2e(1+α)K\log K \log_2 n$测试来恢复所有$K$缺陷项,其中$α>0$是一个常数。通过利用现…
2015-08-18 cs.IT math.IT
Low-Density Parity-Check Codes and Spatial Coupling for Quantitative Group Testing
本研究提出基于LDPC码的非自适应定量群测试改进方案,将约束节点BCH码替换为单奇偶校验码,并对两种方案应用空间耦合,经密度进化分析与仿真验证,LDPC方案性能更优且耦合可提升性能。
2024-04-17 cs.IT math.IT
Optimal Nested Test Plan for Combinatorial Quantitative Group Testing
我们认为定量组测试问题的目标是确定有缺陷的项目在一个给定的人口的子集上进行的测试结果的基础上。在定量分组测试模式下,每次测试的结果显示了测试组中有缺陷的项目数量。嵌套测试计划可实现的最小测试数是由Aigner和Schughart于1985年在极大极小框架内建立的。然而,没有获得提供这种性能的最佳嵌套测试计划。在这项工作中,我们建立了封闭形式的最优嵌套测试计划。当总体规模趋于无穷大时,该最优嵌套试验方案在所有试验方案中也是阶最优的。作为一个案例研究,我们使用重量级选手检测,通过模拟的例子显示数量级的改进的组测试方法在检测精度和计数器消耗的两个流行的基于采样的方法。其他应用包括认知无线电系统中的异常检测和宽带频谱感测。
2017-10-23 cs.IT math.IT math.OC
Sparse Uniformity Testing
本文考虑高维离散分布(多项式)在稀疏选择下的一致性检验问题。更确切地说,我们得到尖锐的检测阈值测试,$n$样本的基础上,是否支持$d$元素的离散分布不同于均匀分布,只有在$s$(出的$d$)坐标,是$\varepsilon$ -远(在全变差距离)从均匀性。我们的结果揭示了各种有趣的相变,这些相变取决于样本量$n$和信号强度$\varepsilon$与维度$d$和稀疏水平$s$的相互作用。例如,如果样本量小于阈值(取决于$d$和$s$),则所有测试都是渐近无效的,而不管信号强度的大小。另一方面,如果样本量高于阈值,则检测边界根据信号强度经历进一步的相变。在这里,一个$χ^2$型测试达到检测边界的密集制度,而在稀疏制度的Bonferroni校正的两个最大型测试和一个版本的更高的批评测试是最佳的尖锐常数。这些结果结合起来提供了一个完整的描述的相位图的稀疏均匀性测试问题的所有制度的参数$n$,$d$,和$s$。处理多项式的一个挑战是参数总是被限制在单纯形中。这导致了前面提到的两层相变,这是一种在经典的高维稀疏测试问题中不会出现的新现象。
2022-02-16 cs.IT math.IT math.ST
On the binary adder channel with complete feedback, with an application to quantitative group testing
我们确定的最佳对称速率点$(r, r)$在Dueck零错误容量区域的二进制加法器通道与完全反馈的确切值。我们证明了平均零错误容量$r = h(1/2-δ) \approx 0.78974$,其中$h(\cdot)$是二进制熵函数和$δ= 1/(2\log_2(2+\sqrt3))$。我们的动机是定量小组测试中的一个问题。给定一组$n$元素,其中两个是有缺陷的,定量组测试问题要求通过一系列测试来识别这两个缺陷。每个测试给出了测试子集中包含的缺陷数量,并且假设在设计当前测试时已知先前测试的结果。我们建立了最小数量的测试是渐近的$(\log_2 n) / r$作为$n \to \infty$。
2021-12-28 cs.IT math.CO math.IT
Nearly Optimal Sparse Group Testing
分组测试是从一组$n$项目中汇集任意子集的过程,以便用最少的测试次数识别$d$缺陷项目的“小”子集。在“经典”非自适应组测试中,已知当$d$显著小于$n$时,$Θ(d\log(n))$测试是信息理论上必要的并且足以保证以高概率恢复。文献中满足此界限的组测试方案要求大多数项目进行$Ω(\log(n))$次测试,并且大多数测试包含$Ω(n/d)$项目。出于物理上的考虑,我们研究组测试模型,其中的测试程序被限制为“稀疏”。具体来说,我们考虑(单独)的情况下,(a)项目是不可分割的,因此可能会参与最多$γ\in o(\log(n))$测试;或(b)测试的大小限制池不超过$ρ\in o(n/d)$项目每个测试。对于这两种情况下,我们提供了信息理论的下限,以保证高概率恢复所需的测试数量。在这两种情况下,我们提供了随机结构(在$ε$ -错误和零错误重建保证下)和显式结构的设计与计算效率高的重建算法,需要一些测试,这些测试在$n, d, γ,$和$ρ$的某些制度中是最佳的常数或小多项式因子。$ρ$大小的测试场景中的随机设计/重建算法是通用的--与$d$的值无关,只要$ρ\in o(n/d)$。我们还研究了不可靠性/噪声对测试结果的影响。有关完整的摘要,请参阅全文PDF。
2018-09-20 cs.DS cs.IT math.IT
Non-adaptive Quantitative Group Testing Using Irregular Sparse Graph Codes
本文研究了在大量的$N$项目中存在缺陷项目的定量分组测试问题。我们考虑的情况下,每个项目是有缺陷的概率$K/N$,独立于其他项目。在QGT问题中,目标是通过测试项目组,以尽可能少的测试次数来识别所有或足够大的缺陷项目。特别是,每个测试的结果是一个非负整数,表示测试组中有缺陷的项目数量。在这项工作中,我们提出了一个非自适应QGT计划的潜在随机模型的缺陷项目,它利用稀疏的图形代码在不规则的二分图与优化的程度配置文件上的图的左节点,以及二进制$t$纠错BCH码。我们表明,在次线性制度,即,当比率$K/N$随着$N$增长到无界而消失时,所提出的具有${m=c(t,d)K(t\log (\frac{\ell N}{c(t,d)K}+1)+1)}$测试的方案可以以接近$1$的概率识别所有缺陷项,其中$d$和$\ell$分别是最大和平均左度,并且$c(t,d)$仅依赖于$t$和$d$(而不依赖于$K$和$N$)。对于任意的$t\leq 4$,该方案的测试和恢复算法的计算复杂度分别为$\mathcal{O}(N\log \frac{N}{K})$和$\mathcal{O}(K\log \frac{N}{K})$.所提出的方案优于最近提出的两个非自适应QGT方案的次线性制度,包括我们的计划的基础上定期二分图和计划的Gebhard等人,在识别具有高概率的所有缺陷项目所需的测试数量方面。
2019-10-15 cs.IT math.IT
Sparse Combinatorial Group Testing
在组合组测试(CGT)中,目标是使用尽可能少的测试从$n$项目池中识别出最多$d$缺陷项目的集合。CGT问题的著名结果是,当$d=O(poly(\log n))$。然而,最先进的GT规范要求对项目进行$w=Ω(d\log n)$次测试,并且测试包括$ρ=Ω(n/d)$项目(在对数系数内)。在许多应用中,项目只能参与有限数量的测试,并且测试被约束为包括有限数量的项目。在本文中,我们研究了“稀疏”制度的组测试问题,我们限制了测试的数量,每个项目可以参与$w_{\max}$或项目的数量,每个测试可以包括$ρ_{\max}$在无噪声和噪声设置。这些限制导致了一个未探索的机制,其中$t$是$n$的分数幂。我们的研究结果表征测试$t$的数量作为$w_{\max} (ρ_{\max})$的函数,并显示,例如,$t$急剧下降时,$w_{\max}$增加超过一个裸露的最小值。特别地,如果$w_{\max}\leq d$,那么我们必须有$t=n$,即,个别测试是最佳的。我们表明,如果$w_{\max}=d+1$,这突然减少到$t=Θ(d\sqrt{n})$。通过修改Kautz-Singleton构造,这是已知的次优的经典GT问题的顺序最优的建设。对于更一般的情况,当$w_{\max}=ld+1$为$l>1$时,修改的K-S构造需要进行$t=Θ(d n^{\frac{1}{l+1}})$检验,我们证明了…
2019-01-25 cs.IT math.IT
Quantitative Group Testing and the rank of random matrices
给定随机伯努利矩阵$ A\in \{0,1\}^{m\times n} $、整数$ 0< k < n $和向量$ y:=Ax $,其中$ x \in \{0,1\}^n $具有汉明重量$ k $,{ \em定量分组测试}(QGT)问题的目标是恢复$ x $。PDMATHAMT越小,这个问题就越困难。对于我们感兴趣的参数范围,已知的多项式时间算法需要比$k$大得多的$m$值。在这项工作中,我们定义了一个看似简单的问题,我们称之为{ \em子集选择}。给定与QGT中相同的输入,子集选择中的目标是返回基数$ m $的子集$ S \subseteq [n] $,使得对于所有$ i\in [n] $,如果是$ x_i = 1 $,则是$ i\in S $。我们表明,如果由$S$索引的列定义的$A$的平方子矩阵具有近满秩,那么从子集选择问题的解决方案,我们可以恢复在多项式时间的解决方案$x$的QGT问题。我们猜想,对于每个多项式时间子集选择算法,得到的输出矩阵将满足所需的秩条件。我们证明了一些类的算法的猜想。使用这种减少,我们提供了一些例子,如何改善已知的QGT算法。使用理论分析和模拟,我们证明了修改后的算法解决QGT问题的$ m $值小于原来的算法所需的。
2020-06-16 cs.IT math.IT
Robust Testing in High-Dimensional Sparse Models
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);University of Sydney(悉尼大学)
我们考虑了在两种不同的观测模型下对高维稀疏信号向量的范数进行鲁棒检验的问题。在第一个模型中,我们给出$n$ i.i.d.。来自分布$\mathcal{N}\left(θ,I_d\right)$(具有未知的$θ$)的样本,其中一小部分已被任意损坏。在$\|θ\|_0\le s$的承诺下,我们希望对于某些输入参数$γ>0$,正确区分是$\|θ\|_2=0$还是$\|θ\|_2>γ$。我们表明,这项任务的任何算法都需要$n=Ω\left(s\log\frac{ed}{s}\right)$样本,这是紧对数因子。我们还将我们的结果扩展到其他常见的稀疏性概念,即任何$0 < q < 2$的$\|θ\|_q\le s$。在我们考虑的第二个观察模型中,数据是根据稀疏线性回归模型生成的,其中协变量是i.i.d.。高斯,并且已知回归系数(信号)是$s$ -稀疏的。在这里,我们也假设$ε$ -数据的一部分被任意损坏。我们表明,任何算法,可靠地测试回归系数的范数至少需要$n=Ω\left(\min(s\log d,{1}/{γ^4})\right)$样本。我们的研究结果表明,在这两种设置下的测试的复杂性显着增加鲁棒性约束。这与最近在稳健均值检验和稳健协方差检验中观察到的结果一致。
2022-11-04 cs.IT cs.LG math.IT
Semi-Quantitative Group Testing for Efficient and Accurate qPCR Screening of Pathogens with a Wide Range of Loads
提出自适应半定量分组检测(SQGT)方案,通过两阶段qPCR检测量化Ct值并动态调整阈值,在保持极低假阴性率的同时将检测次数减少24%。
2023-08-02 cs.IT math.IT q-bio.QM
Non-adaptive Combinatorial Quantitative Group Testing with Adversarially Perturbed Measurements
研究了测量值有噪声时的组合定量分组测试问题。QGT的目标是通过计数测量从大小为$n$的数据集中检测缺陷项,每个计数测量对选定项池中的缺陷数量进行计数。虽然大多数文献考虑随机噪声的概率QGT或无噪声测量的组合QGT,我们的重点是组合QGT与噪声测量,可能会受到不利扰动的加性有界噪声。由于完美的检测是不可能的,采用部分检测标准。对抗性噪声被约束的$d_n = Θ(n^δ)$和检测标准是确保不超过$k_n = Θ(n^κ)$错误可以作出,我们的目标是表征的基本限制的测量,称为\emph{pooling complexity}的数量,以及提供明确的建设测量计划与最佳池的复杂性和有效的解码算法。我们首先表明,当$0<2δ\leq κ<1$时,对于非自适应设置,基本限制是$\frac{1}{1-2δ}\frac{n}{\log n}$在一个不依赖于$(n,κ,δ)$的常数因子内,锐化了Chen和Wang [2]的先前结果。我们还提供了一个明确的建设一个非自适应确定性测量计划与$\frac{1}{1-2δ}\frac{n}{\log_{2} n}$池复杂度高达一个常数的因素,匹配的基本限制,与解码复杂度为$o(n^{1+ρ})$为所有$ρ> 0$,几乎线性的$n$,数据集的大小。
2022-01-31 cs.IT math.IT
On construction and analysis of sparse random matrices and expander graphs with applications to compressed sensing
我们重新审视稀疏随机矩阵的概率构造,其中每列都有固定数量的非零,其行索引是随机均匀绘制的。这些矩阵与无损扩展图的邻接矩阵有一一对应的关系。我们目前的概率,这些图的邻居集的基数将小于预期值的尾界。通过分析使用{ \em并矢分裂}技术的集合的工会中的冲突的界限。这种分析导致推导出更好的常数,允许无损扩展图的存在的定量定理,因此我们考虑的稀疏随机矩阵,以及使用稀疏非均值零测量矩阵时的定量压缩感知采样定理。
2013-07-24 cs.IT math.IT
Succinct Representation of Codes with Applications to Testing
受性质测试中的问题的启发,我们搜索具有“单局部轨道”性质的线性纠错码:即,它们由单个局部约束及其在代码的对称群下的平移来指定。我们证明了每个“稀疏”二进制码的对偶,其坐标由F_{2^n}的元素索引,对于素数n,并且其对称群包括F_{2^n}的非奇异仿射变换群,具有单局部轨道性质。(如果代码在其块长度中包含多项式多个码字,则该代码被称为“稀疏”。)特别地,这类包括双BCH码,对于双BCH码,对于BCH码)简单碱基是未知的。我们的结果给出了第一个短(O(n)位,而不是自然的exp(n)位)描述的BCH码的低重量的基础。对“单局部轨道”性质的兴趣来自Kaufman和Sudan(STOC 2008)的最新结果,该结果表明在仿射对称群下具有单局部轨道性质的码是局部可测试的。当结合我们的主要结果,这表明,所有的稀疏仿射不变码的坐标F_{2^n}素数n是局部可测的。如果,除了n是素数,如果2^n-1也是素数(即,2^n-1是梅森素数),则得到每个稀疏循环码也有一个局部轨道。特别地,这意味着Mersenne素数长度的BCH码由单个低权重码字及其循环移位生成。
2009-05-18 cs.IT math.IT
Combinatorial Group Testing and Sparse Recovery Schemes with Near-Optimal Decoding Time
在长期研究的问题组合组测试,一个被要求检测出一组$k$有缺陷的项目的人口规模$n$,使用$m \ll n$析取测量。在非自适应设置中,最广泛使用的组合对象是析取矩阵和列表析取矩阵,它们定义了测试方案的关联矩阵。析取矩阵允许识别缺陷的精确集合,而列表析取矩阵识别缺陷的小超集。除了组合的保证,它往往是关键的利益,配备有效的解码算法的测量设计。最有效的解码器应该在$n$中以次线性时间运行,并且理想地在测量次数$m$中以接近线性的时间运行。在这项工作中,我们给出了几个结构的最佳数量的测量和接近最佳的解码时间的最基本的组测试任务,以及在压缩感知和沉重的打击文学的中心任务。对于其中的许多任务,以前的测量最优构造需要的时间要么是测量次数的二次方,要么是宇宙大小的线性。我们的大多数结果是通过一个干净的和新颖的方法,避免了列表可恢复的代码或相关的复杂技术,目前在几乎每一个国家的最先进的工作,有效地解码的结构,这样的对象。
2020-09-25 cs.DS cs.IT math.IT
Bayesian hypothesis testing for one bit compressed sensing with sensing matrix perturbation
这封信提出了一个低计算的贝叶斯算法噪声稀疏恢复的上下文中的一位压缩感知与感知矩阵扰动。所提出的算法被称为BHT-MLE包括一个稀疏支持检测器和一个幅度估计器。支持检测器使用贝叶斯假设检验,而幅度估计器使用通过求解凸优化问题获得的ML估计器。仿真结果表明,BHT-MLE算法以较低的计算代价提供了比ML估计(MLE)更高的重建精度。
2015-11-18 cs.IT math.IT stat.ML
Limits on Testing Structural Changes in Ising Models
我们提出了新的信息理论的限制检测稀疏变化伊辛模型,在许多应用中出现的问题,网络的变化可能会发生由于一些外部刺激。我们发现,样本的复杂性检测稀疏的变化,在极大极小的意义上,是没有比学习整个模型,即使在设置与本地稀疏。这是一个令人惊讶的事实,鉴于先前的工作植根于稀疏恢复方法,这表明在这种情况下,样本的复杂性只与网络变化的数量。为了阐明变化检测何时比结构化学习更容易,我们考虑在森林结构图中测试边缘删除,并将高温铁磁体作为案例研究。我们表明,这些测试的小变化是同样困难的,但测试的\emph{large}的变化是很好的分离结构学习。这些结果意味着,图形模型的测试可能不服从的概念,如限制性强凸性利用稀疏模式恢复,而不是算法的开发应针对检测大的变化。
2020-11-07 cs.IT math.IT math.ST
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
High-fidelity quantitative differential phase contrast deconvolution using dark-field sparse prior
微分相衬成像在相位定量测量中占有重要地位。然而,定量DPC(qDPC)成像的重建算法尚未优化,因为它没有纳入qDPC成像的先天属性。在这项研究中,我们提出了一个简单但有效的图像前,暗场稀疏先验(DSP),以促进相位重建质量的所有DPC为基础的相位重建算法。DSP是基于这样的关键观察,即对于理想微分相衬图像的大多数像素值是零,因为在反对称照明下的两个图像的相减消除了所有背景分量。在此基础上,构造了一个新的费用函数,其中用L0范数来表示DSP。此外,我们开发了两种不同的算法,基于(1)半二次分裂,和(2)Richardson-Lucy反卷积来解决这个NP难的L0范数问题。我们在模拟和实验数据上测试了我们的新模型,并与最先进的方法进行了比较,包括L2范数和全变差正则化。结果表明,我们提出的模型是优越的相位重建质量和执行效率,其中它显着增加了实验的鲁棒性,同时保持数据的保真度。
2022-06-15 cs.IT math.IT math.OC
Noise-Resilient Group Testing: Limitations and Constructions
我们研究组合组测试计划学习$d$稀疏布尔向量使用高度不可靠的析取测量。我们考虑了一个对抗性噪声模型,它只限制了错误观测的数量,并证明了该模型中的任何抗噪声方案只能近似地重建稀疏向量。在积极的一面,我们把这个障碍,我们的优势,并表明,近似重建(在一个令人满意的近似程度),使我们能够打破$\tildeΩ(d^2 \log n)$的信息理论下限,这是已知的精确重建的$d$ -稀疏向量的长度$n$通过非自适应测量,由一个乘法因子$\tildeΩ(d)$。具体而言,我们给出了简单的随机结构的非自适应测量方案,与$m=O(d \log n)$测量,允许有效的重建$d$稀疏向量高达$O(d)$误报,即使在存在的$δm$误报和$O(m/d)$误报内的测量结果,对于任何常数$δ< 1$。我们表明,从理论上讲,这些参数中没有一个可以在不显著影响其他参数的情况下得到实质性改善。此外,我们得到几个明确的结构,特别是一个匹配的随机权衡,但使用$m = O(d^{1+o(1)} \log n)$测量。我们还得到明确的建设,允许快速重建的时间$\poly(m)$,这将是次线性的$n$足够稀疏的向量。在我们的构造中使用的主要工具是随机性压缩器和提取器的列表解码视图。
2011-07-22 cs.DM cs.IT math.CO
Information-Theoretic Bounds for Adaptive Sparse Recovery
Boston University(波士顿大学)
我们推导出一个信息理论的样本复杂性在稀疏恢复问题,输入可以选择顺序和自适应的下界。这个下界是一个简单的互信息表达式,并统一了许多不同的线性和非线性观测模型。使用这个公式,我们得出自适应压缩感知(CS),组测试和1位CS问题的界限。我们发现,自适应不能降低样本复杂性组测试,1位CS和CS与线性稀疏。相比之下,我们表明,CS在次线性制度可能有温和的性能增益。我们的统一分析还允许表征的增益,由于从更广泛的角度对稀疏问题的自适应性。
2014-04-29 cs.IT cs.LG math.IT
On Identity Testing of Tensors, Low-rank Recovery and Compressed Sensing
我们研究的问题,获得有效的,确定性的,黑盒多项式身份测试算法的深度3集多线性电路(在任意字段)。这类电路有一个有效的,确定性的,白盒多项式身份测试算法(由于Raz和Shpilka),但没有已知的黑盒算法。我们将这个问题重新定义为寻找一个低维子空间H,由秩为1的张量张成,使得对偶空间ker(H)中的任何非零张量都具有高秩。我们得到明确的结构,基本上最佳大小的击中2度张量(矩阵),并获得准多项式大小的击中任意张量(但这第二次击中集是不太明确)。我们还显示了连接到执行低秩恢复矩阵的任务,这是在压缩感知领域的研究。低秩恢复要求(比如说,在实数上)在保证M的秩<=r的情况下,从几个测量值中恢复矩阵M。我们还给出了低秩恢复和稀疏(向量)恢复任务之间的正式联系:任何稀疏恢复算法,精确恢复长度为n和稀疏度为2 r的向量,使用m个非自适应测量,产生一个低秩恢复方案,用于精确恢复秩<=r的nxn矩阵,进行2nm非自适应测量。此外,如果稀疏恢复算法在时间τ内运行,则低秩恢复算法在时间O(rn^2+nτ)内运行。我们使用线性代数技术获得这种减少,而不是使用凸优化,这是更常见的压缩感知算法。通过使用对偶Reed-Solomon码,我们能够(确定性地)构造在实数上进行4 nr次测量的低秩恢复方案,使得测量可以是所有秩1矩阵或所有稀疏矩阵。
2011-11-02 cs.CC cs.IT math.IT
Quantitative Group Testing and Pooled Data in the Linear Regime with Sublinear Tests
该研究针对非自适应线性区域下的定量分组检测与混合数据问题,提出基于空间耦合伯努利测试矩阵和AMP算法的恢复方案,证明其无噪下次线性测试几乎精确恢复,且噪声下性能平稳下降,有限维下优于现有方案。
2025-09-06 cs.IT eess.SP 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