Optimizing Returns from Experimentation Programs
本文面向平台实验的指标优化目标，基于经验贝叶斯与 A/B Testing Problem，用动态规划和可调 p 值阈值改进实验决策，并扩展模型以指导工业界扩大创意测试、减少流量分配并放宽显著性阈值。
2024-12-07 econ.EM stat.AP stat.ME
Nested Group Testing Procedures for Screening
本文回顾了一类自适应组测试程序，操作下的概率模型假设如下。考虑一组$N$项目，其中项目$i$具有有缺陷的概率$p$（广义组测试中的$p_i$），以及独立于其他项目的无缺陷概率$1-p$。应用于大小为$n$的任何子集的组检验是具有两种可能结果（阳性或阴性）的二元检验。如果所有$n$项目均无缺陷，则结果为否定，而如果$n$项目中至少有一个项目有缺陷，则结果为肯定。目标是用最少的预期测试次数完全识别所有$N$项目。
2021-02-17 math.PR stat.AP stat.ME
Efficient Detection Of Infected Individuals using Two Stage Testing
Marlboro High School（马尔伯勒高中）
群体检测是一种有效的方法，用于检测大量人群以发现感染个体。在本文中，我们考虑了一个有效的自适应两阶段组测试计划。使用一个简单的分析，我们描述了几个两阶段的组测试算法的效率。我们确定如何挑选最佳的三种方案与不同类型的随机化的测试参数，并表明，两阶段测试的性能取决于所采用的随机化类型。看似相似的随机化程序导致不同的预期测试数量来检测所有感染个体，我们确定什么样的随机化是必要的，以实现最佳性能。我们进一步表明，在最佳设置，我们的测试方案是强大的输入参数的错误。
2020-08-24 cs.LG stat.ME
A comparison of group testing architectures for COVID-19 testing
每个国家应对COVID-19的一个重要组成部分是快速有效的检测-以识别和隔离病例，以及早期发现当地热点。对许多国家来说，生产足够数量的检测一直是其控制COVID-19感染努力的一个严重限制因素。成组测试是一种成熟的数学工具，它可以提供大量的和廉价的测试容量扩展。在这篇文章中，我们比较了几种流行的群体检测方案，用于COVID-19的qPCR检测。我们发现，在实际环境中，对于识别COVID-19个体，Dorfman检测是流行率高达30%的最佳选择，而对于估计总人群中COVID-19流行率，Gibbs-Gower检测是流行率高达30%的最佳选择，因为检测次数固定且相对较少。例如，在患病率高达2%时，Dorfman检验给出的效率增益为3.5- 8;在患病率为1%时，Gibbs-Gower检验给出的效率增益为18，即使将池大小限制在可行的数字。本说明旨在为实施分组测试方法的实验室提供一本有用的手册。
2020-10-23 q-bio.QM stat.ME
Contact Tracing Enhances the Efficiency of COVID-19 Group Testing
本文研究 COVID-19 分组检测，提出在非自适应单阶段算法中融合接触者追踪辅助信息与疾病传播特征，并通过两个信号测量模型验证其可提升灵敏度和特异度。
2020-11-28 stat.AP stat.ME
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
AC-DC: Amplification Curve Diagnostics for Covid-19 Group Testing
本文的第一部分介绍了Covid-19的黄金标准检测方案，实时逆转录酶PCR，及其特性和相关测量数据，如扩增曲线，可以指导制定适当和准确的自适应组检测方案。本文的第二部分是关于检查各种现成的Covid-19群体测试方法，并确定其在当前应用中的优缺点。本文的第三部分包含一个新的分析结果的集合，自适应半定量组测试与概率和组合先验，包括性能界限，算法解决方案，和嘈杂的测试协议。概率设置是特别重要的，因为它的设计是简单的实现非专家和处理沉重的打击。最坏情况下的范例扩展和改进了先前的工作，半定量组测试和没有专门的PCR噪声模型。
2021-06-05 q-bio.QM stat.ME
Group Testing for COVID-19: How to Stop Worrying and Test More
由新型冠状病毒引起的2019冠状病毒病（COVID-19）感染率呈指数级增长。COVID-19尤其臭名昭著，因为感染患者的症状发作通常延迟，并且存在大量无症状携带者。为了防止医疗设施不堪重负和高死亡率，早期检测和诊断是关键要求。在这篇文章中，我们讨论了群体测试文献中的方法及其与COVID-19诊断的相关性。具体而言，我们研究了使用聚合酶链反应（PCR）进行COVID-19群体检测的效率。分组检测是一种方法，其中将多个样本分组合并在一起，并对这些组进行较少的检测以辨别所有受感染的样本。我们研究了由于合并在组测试中的稀释效果，并表明，即使在稀释效果的存在下，组测试也可以执行得很好。我们提出了多组测试算法，可以减少为COVID-19诊断进行的测试数量。我们分析了这些测试的效率，并就其实际意义提供了见解。通过使用这里描述的算法，可以开发测试计划，该测试计划可以使测试中心能够在不增加PCR测试的数量的情况下增加所执行的诊断的数量。生成测试计划的代码可在[1]在线获得。
2020-04-15 q-bio.QM stat.ME
Group Inference in High Dimensions with Applications to Hierarchical Testing
高维群体推断是分析复杂数据集的统计方法的重要组成部分，包括分层检验、交互作用检验、异质性处理效应检测和局部遗传度推断。回归模型中的组推断可以相对于与该组相对应的回归子向量的加权二次函数来测量。构造了这些加权二次泛函的渐近无偏估计量，并提出了一种利用这些估计量进行推断的新方法。我们推导出它的渐近高斯分布，使建设渐近有效的置信区间和测试的长度或功率方面表现良好。所提出的测试是计算效率，即使是一个大的组，统计上有效的任何组的大小，并实现良好的功率性能测试大组与许多小回归系数。我们将该方法应用于几个有趣的统计问题，并在模拟和真实数据上展示了其优势和实用性。
2020-11-30 stat.ME
Is Group Testing Ready for Prime-time in Disease Identification?
大规模疾病筛查是一个复杂的过程，必须在高成本与紧迫的公共卫生需求之间取得平衡。当目标是筛查传染病时，一种方法是分组检测，其中样本最初在池中进行检测，只有当最初的池检测结果为阳性时，才重新检测单个样本。直觉上，如果感染的流行率很小，这可能会导致所需检测总数的大幅减少。尽管如此，在医学研究中使用组测试一直是有限的，主要是由于怀疑的影响，合并的准确性，一个给定的测定。虽然有大量的研究解决了组检验研究中的检验错误问题，但通常假设误分类参数是从外部人群中已知的和/或值不随组大小而变化。这两个假设是非常值得怀疑的许多医生考虑在他们的研究设计组测试。在这篇文章中，我们将探讨这些假设的失败可能会影响组测试设计的有效性，因此，组测试目前是否可行的医疗筛查。具体来说，我们看看如何在设计阶段的灵敏度函数的不正确的假设可能会导致一个程序的整体灵敏度和预期的测试次数估计不佳。此外，如果使用验证研究来估计给定检测的合并误分类参数，我们表明所需的样本量如此之大，以至于除了最大的筛选程序之外，在所有筛选程序中都令人望而却步
2021-02-27 stat.AP stat.ME
Parsimonious and powerful composite likelihood testing for group difference and genotype-phenotype association
在全基因组关联研究（GWAS）中，从病例对照数据中检验一个表型与多个遗传变异之间的关联是必不可少的。这是一项具有挑战性的任务，因为许多此类变体是相关的或无信息的。高维数据的两组总体差异检验问题在复杂的全似然函数下存在相似性。测试可以通过最大复合似然（MCL）来处理，而不需要完全的似然，但是当前的MCL测试由于涉及非信息性或冗余的子似然而受到功率损失。在本文中，我们开发了一个前向搜索和测试方法，同时强大的组差异测试和信息子似然组成。我们的方法构造了一个序列的Wald型检验统计量，逐步只包括信息的子似然，以提高测试功率下的局部稀疏的替代品。数值研究表明，它实现了相当大的改善，可用的测试作为建模复杂性的增长。我们的方法进一步验证了测试动机GWAS数据乳腺癌与有趣的结果。
2016-01-22 stat.AP stat.ME
Group design in group testing for COVID-19 : A French case-study
分组测试是一种筛选策略，涉及将人群分为几个不相关的受试者组。在其最简单的实施方式中，在第一阶段中用单个测试来测试每个组，而在第二阶段中，仅阳性组中的受试者（如果有的话）需要再次单独测试。在本文中，我们解决的问题组测试设计，其目的是确定一个分区成组的有限人口的基数约束的大小，每个组的约束和预期的测试总数得到满足，同时最小化的线性组合的预期数量的假阴性和假阳性分类。首先，我们证明了Aprahmian等人引入的性质和模型可以扩展到组测试设计问题，然后将其建模为特定图上的约束最短路径问题。我们设计并实现了一个ad hoc算法来解决这个问题。在基于Santé Publique France Covid-19筛查测试数据的实例上，计算实验的结果非常有希望。
2020-11-13 math.OC stat.ME
Dynamical Dorfman Testing with Quarantine
考虑具有社团结构的动态群测试问题。利用离散时间SIR（易感、传染、恢复）模型，我们使用Dorfman的两步组检验方法来识别感染，并在必要时介入以抑制感染通过病毒传播。我们分析了检疫和测试成本以及疾病传播之间的权衡。对于特殊的动力i.i.d.模型，我们表明，最佳的第一阶段Dorfman组的大小不同，在动态和静态的情况下。我们比较了所提出的动态两阶段Dorfman测试与最先进的非自适应组测试方法在动态设置中的性能。
2022-01-18 cs.CY cs.DS cs.IT
Extending Hypothesis Testing with Persistence Homology to Three or More Groups
我们扩展了Robinson和Turner的工作，使用具有持久性同源性的假设检验来检验来自三个或更多组的点云之间的形状的可测量差异。使用样本的点云从三个不同的群体，我们进行了大规模的模拟研究，以验证我们提出的扩展。我们在模拟研究中考虑了组、样本量和测量误差的各种组合，为每个组合提供了低于α水平0.05的$p$值的百分比。此外，我们将我们的方法应用于子宫内膜异位症数据集，并发现正常，可疑和病理健康状态组之间的形状可测量差异的统计学显着证据。
2016-01-14 math.AT stat.ME
Multi-stage Group Testing with (r,s)-regular design Algorithms
本文提出多阶段 (r,s)-正则设计分组检测算法，推导了预期检测次数和持续时间的统一表达式，在低缺陷概率下优于现有算法并接近最优计数边界。
2025-04-01 eess.SP stat.ME
Significance Testing and Group Variable Selection
设X; Z分别为r维和s维协变量，用于将响应变量Y建模为Y = m（X;Z）+ σ（X;Z）ε。基于零模型局部多项式拟合得到的残差，我们开发了原假设Z对回归函数没有影响的ANOVA型检验。利用该检验的p值，提出了一种基于多重检验思想的组变量选择方法。仿真研究表明，当备选项为非加性或存在异方差时，该检验方法优于广义似然比检验。额外的模拟研究，从线性，非线性和逻辑斯谛回归产生的数据，揭示了拟议的组变量选择程序执行竞争力对组套索，并优于它在选择组具有非线性效应。建议的组变量选择过程中示出了一个真实的数据集。
2012-05-30 stat.ME
Dynamic group testing to control and monitor disease progression in a population
在COVID-19等大流行的背景下，在大多数人接种疫苗之前，主动检测和干预已被证明是遏制疾病传播的唯一手段。最近的学术工作在这方面提供了重要的证据，但一个关键的问题仍然是开放的：我们能否准确地识别每天发生的所有新的感染，而这是令人生畏的昂贵，即，只使用每天测试每个人所需的测试的一小部分（完整测试）？组测试提供了一个强大的工具集，可以最大限度地减少测试数量，但它没有考虑感染背后的时间动态。此外，它通常假设人们是独立感染的，而感染是由社区传播控制的。另一方面，流行病学确实通过完善的连续时间SIR随机网络模型探索了时间动态和社区相关性，但标准模型不包括离散时间测试和干预。在本文中，我们介绍了一个“离散时间SIR随机块模型”，也允许每天进行组测试和干预。我们的模型可以被视为一个离散版本的连续时间SIR随机网络模型在一个特定类型的加权图，捕捉底层社区结构。我们分析这个模型。每天需要最少数量的组测试来识别所有感染，并且错误概率为零。我们发现，人们可以利用社区和模型的知识，通知非自适应组测试算法，是顺序最优的，因此实现了相同的性能，完整的测试，使用数量少得多的测试。
2021-06-20 physics.soc-ph q-bio.PE stat.ME
