Pooled testing to isolate infected individuals
群体测试的常见问题是:对于给定的个体数量和给定的患病率,需要多少次测试T* 才能找到每个感染个体?然而,在现实生活中,问题通常是不同的:对于给定数量的个体,给定的患病率,以及数量有限的测试T远小于T*,如何最好地使用这些测试?在这篇会议论文中,我们概述了两个模型在这个问题上的一些最新结果。首先,与COVID-19筛查相关的“实用”模型,其测试具有高度特异性但不完全敏感性,表明在低患病率和高敏感性下,简单算法的性能优于简单算法。第二,具有完美测试的极低患病率的“理论”模型给出了有趣的新数学结果。
2021-07-20 cs.IT math.IT q-bio.PE
Group Testing with Random Pools: optimal two-stage algorithms
本文研究了N个项目的概率群检验问题,每个项目的缺陷概率为p。我们关注的是小缺陷概率p<<1和大变量数N>>1的双重极限,在$N\to\infty$或$p=1/N^β$与$β\in(0,1/2)$之后取p->0。在这两种情况下,通过两阶段程序$\bar T(N,p)$确定缺陷所需的最佳试验次数称为$Np|\log p|$。在这里,我们确定了$\bar T(N,p)/(Np|\log p|)$的尖锐的渐近值,并构造了一个两阶段的算法,在这个最佳值。这是通过为检测的第一阶段选择适当的二分正则图(测试和变量节点)来完成的。此外,我们证明了这个最优值也达到平均在一个随机二分图,所有变量都有相同的程度,而测试泊松分布度。最后,在$p=1/N^β$与$β\in[1/2,1)$的情况下,改进了现有的最优测试次数的上下界.
2007-06-21 cond-mat.dis-nn cond-mat.stat-mech cs.DS
Group Testing with Probabilistic Tests: Theory, Design and Application
在统计学界,以群体检验的名义对大群体中缺陷成员的识别进行了广泛的研究。它涉及将项目的子集分组到不同的池中,并根据每个池获得的测试结果集检测有缺陷的成员。在经典的无噪声组测试设置中,假设采样过程对于重建算法是完全已知的,在这个意义上,池中存在有缺陷的成员会导致该池的测试结果为正。然而,在某些感兴趣的情况下,这可能并不总是有效的假设。特别是,我们考虑的情况下,有缺陷的项目在一个池中可以成为独立的不活跃有一定的概率。因此,尽管样本池中含有一些缺陷项目,但仍可能获得阴性检测结果。因此,任何采样和重建方法都应该能够处理两种不同类型的不确定性,即,未知的缺陷项集合和部分未知的概率测试程序。在这项工作中,受病毒流行病中检测感染者的应用程序的激励,我们设计了非自适应采样程序,通过一组概率测试,允许成功识别有缺陷的物品。我们的设计只需要少量的测试就能挑出有缺陷的项目。特别是,对于人口的大小$N$和最多$K$有缺陷的项目与激活概率$p$,我们的研究结果表明,$M = O(K^2\log{(N/K)}/p^3)$测试是足够的,如果抽样程序应工作的所有可能的缺陷项目集,而$M = O(K\log{(N)}/p^3)$测试是足够成功的任何一组缺陷项目。此外,我们表明,有缺陷的成员可以恢复使用一个简单的重建算法的复杂性$O(MN)$。
2011-07-22 cs.IT math.IT
Graph-Constrained Group Testing
非自适应组测试涉及将$n$项目的任意子集分组到不同的池中。然后对每个池进行测试,并确定有缺陷的项目。一个基本的问题涉及最大限度地减少识别最多$d$缺陷项目所需的池的数量。受网络断层扫描、传感器网络和感染传播等应用的启发,提出了一种基于图的群测试问题。与传统的组测试问题不同,这里的每个组都必须符合图所施加的约束。例如,项目可以与顶点相关联,每个池是必须路径连接的任何节点集。在本文中,一个测试是与一个随机游走。在这种情况下,常规的组测试对应于$n$顶点上的完全图的特殊情况。对于有趣的图形类,获得了相当令人惊讶的结果,即,识别$d$缺陷项所需的测试的数量基本上类似于传统的组测试问题中所需的数量,其中没有对池施加这样的约束。具体地,如果T(n)对应于图$G$的混合时间,则示出了利用$m=O(d^2T^2(n)\log(n/d))$非自适应测试,可以识别缺陷项。因此,对于Erdos-Renyi随机图$G(n,p)$以及具有恒定谱隙的扩展图,可以得出$m=O(d^2\log^3n)$非自适应测试足以识别$d$缺陷项。接下来,考虑在网络断层扫描中出现的特定场景,其中示出了$m=O(d^3\log^3n)$非自适应测试足以识别$d$缺陷项。考虑了图约束群测试问题中的噪声问题,并给出了相应的并行结果。我们还简要讨论了图上压缩感知的扩展。
2011-07-22 cs.DM cs.IT math.IT
Non-adaptive Group Testing: Explicit bounds and novel algorithms
我们考虑一些计算效率和可证明正确的算法与接近最佳的样本复杂度的问题,嘈杂的非自适应组测试。分组测试涉及将项目的任意子集分组到池中。然后对每个池进行测试,以识别通常被认为是“稀疏”的缺陷项目。我们考虑非自适应随机汇集测量,其中池是随机选择的,独立于测试结果。我们还考虑了一个模型,其中噪声测量允许一些假阴性和一些假阳性测试结果(并且还允许不对称噪声和激活噪声)。我们考虑三类算法的组测试问题(我们专门称之为“优惠券收集器算法”,“列匹配算法”,和“LP解码算法”-最后两类算法(其中一些版本已被认为是以前在文献中)的启发压缩感知文献中的相应算法。第二和第三种算法有几种口味,分别处理无噪声和有噪声的测量方案。我们的贡献是新颖的分析,以获得明确的样本复杂性的界限-与所有常数明确计算-这些算法作为所需的错误概率的函数;噪声参数;项目的数量;和大小的缺陷集(或上限)。我们还比较了信息理论的样本复杂性的下界的基础上Fano的不等式的界限,并表明,上界和下界是相等的一个明确的可计算的通用常数因子(独立的问题参数)。
2014-03-05 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
Improved Constructions for Non-adaptive Threshold Group Testing
组合组测试的基本目标是使用池化策略在大规模的$n \gg d$群体中识别一组多达$d$的缺陷项目。也就是说,可以将项目分组在池中,并且单个测量将揭示池中是否存在一个或多个缺陷。阈值模型是这一思想的概括,其中如果池中的缺陷数量达到固定阈值$u > 0$,则测量返回正,如果该数量不超过固定阈值下限$\ell < u$,则测量返回负,否则可以任意表现。我们研究非自适应阈值组测试(在一个可能的噪声设置),并表明,对于这个问题,$O(d^{g+2} (\log d) \log(n/d))$测量(其中$g := u-\ell-1$和$u$是任何固定常数)足以识别的缺陷,并提出几乎匹配的下限。这显著地改进了先前已知的(非构造性的)上限$O(d^{u+1} \log(n/d))$。此外,我们得到了一个框架,明确建设的测量计划,使用无损冷凝器。由该方案产生的测量的数量理想地由$O(d^{g+3} (\log d) \log n)$限定。使用国家的最先进的无损冷凝器的建设,但是,我们得到明确的测试计划与$O(d^{g+3} (\log d) qpoly(\log n))$和$O(d^{g+3+β} poly(\log n))$测量,为任意常数$β> 0$。
2013-01-18 cs.DM cs.IT 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
Probabilistic Group Testing with a Linear Number of Tests
在概率非自适应组测试(PGT)中,我们的目标是描述识别具有高概率的随机$k$稀疏向量缺陷所需的合并测试的数量。最近的工作表明,$n$测试是必要的,当$k =ω(n/\log n)$。还已知$O(k \log n)$测试在其他方案中是必要且充分的。这就留下了重要的稀疏性机制,其中缺陷项的概率是$\sim 1/\log n$(或$k = Θ(n/\log n)$),其中所需的测试数量在$n$中是线性的。在这项工作中,我们的目标是准确地描述在这个稀疏制度的测试数量。特别是,我们试图确定如果测试次数为$αn$,则可以识别的缺陷$λ(α)n / \log n$的数量。在这个过程中,我们给出了上界和下界的确切点,在该点上,个别测试变得次优,并使用一个精心构造的汇集测试设计是有益的。
2021-06-12 cs.IT math.IT
Group Testing in the High Dilution Regime
非适应性分组测试是指使用最少数量的同时合并测试从较大的总体中推断稀疏的缺陷集的问题。最近的积极成果,无噪声组测试激励研究的实际噪声模型,一个突出的是稀释噪声。在稀释噪声模型下,测试池中的项目具有i.i.d.被稀释的概率,意味着它们对测试的贡献不起作用。在这种情况下,我们调查的数量,以实现消失的错误概率与现有的算法,并提供了一个算法独立的逆界所需的测试。与其他噪声模型相比,我们还遇到了有趣的现象,即稀释噪声对测试结果可以通过选择一个合适的噪声水平相关的伯努利测试设计来抵消,从而在匹配的可扩展性和逆边界的顺序在高噪声制度。
2021-07-15 cs.IT math.IT math.PR
Group Testing with Side Information via Generalized Approximate Message Passing
针对疫情下群组检测的效率需求,该研究将接触追踪侧信息融入基于广义近似消息传递的非自适应单阶段群组检测框架,经数值验证提升了感染者识别准确率。
2023-06-17 cs.IT eess.SP math.IT
Secure Group Testing
分组测试(GT)的主要目标是通过将项目分组到尽可能少的测试池中,从大量的“有缺陷”项目中识别出一小部分。如果池中包含至少一个缺陷项,则池的测试结果为阳性,否则为阴性。GT算法被用于许多应用中,并且在其中许多应用中,保持测试项目的隐私,即,保持它们是否有缺陷的秘密是至关重要的。在本文中,我们考虑的情况下,有一个窃听者(夏娃)谁是能够观察到的GT结果(池)的一个子集。基于信息论原理,提出了一种新的非自适应安全组测试(SGT)方案。新提出的测试设计使窃听者对物品的状态一无所知。具体而言,当夏娃观察到的测试的分数是$0 \leq δ<1$,我们证明了与天真的最大似然(ML)解码算法的正确重建在合法用户(具有高概率)和可以忽略的信息泄漏到夏娃所需的测试的数量是$\frac{1}{1-δ}$倍的测试数量,没有保密约束的固定$K$制度。通过一个匹配的逆,我们完全刻画了安全GT容量。此外,我们认为绝对非缺陷(DND)计算效率高的解码算法,在文献中提出的非安全GT。我们证明了新的安全测试设计,$δ< 1/2$,所需的测试数量,没有任何约束$K$,是最多$\frac{1}{1/2-δ}$倍的测试数量,没有保密约束。
2020-08-12 cs.IT math.IT
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
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
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
Fast Splitting Algorithms for Sparsity-Constrained and Noisy Group Testing
在分组测试中,目标是根据测试结果表明是否存在至少一个缺陷项目,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、DNA测序、通信协议等领域有关。在本文中,我们研究了(i)一个稀疏约束的问题,其中测试过程受到以下两个约束之一:项目是可分的,因此可以参加最多$γ$测试;或测试的大小限制,以池不超过$ρ$项目每测试;以及(ii)问题的噪声版本,其中每个测试结果以某个恒定概率独立翻转。在这些设置下,考虑到每个恢复保证渐近消失的错误概率,我们引入了一个快速分裂算法,并建立其接近最优的测试的数量,但也在解码时间方面。虽然我们的算法的最基本的配方需要$Ω(n)$存储为每个算法,我们还提供了低存储的基础上哈希的变种,具有类似的恢复保证。
2022-10-21 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
Two-Stage Decoding Algorithm and Bounds for Group Testing with Prior Statistics
Technion(以色列理工学院);Princeton University(普林斯顿大学)
本文提出了一种高效的两阶段解码算法,用于具有相关先验统计的群体测试,通过减少测试数量并提高效率实现最优性能。
2026-02-28 cs.IT math.IT q-bio.QM
Near optimal efficient decoding from pooled data
考虑$n$项目,每个项目都由$\{0, \ldots, d\}$中的一个$d+1$可能特征表征。我们研究的推理任务学习这些类型的查询子集,或池,只揭示了一种形式的粗化信息的功能-在我们的情况下,池中的所有功能的总和的项目。在数据汇集过程中存在内存或技术限制的情况下,或者在数据需要匿名的情况下,这是一个现实的场景。相关的突出问题是定量组测试问题,它是一个概括,以及压缩感知问题,它是一个特殊的情况。在本文中,我们感兴趣的是有效地推断标签所需的最小数量的查询,如果其中一个功能,比如$0$,是占主导地位的,在这个意义上,项目中的非零功能的数量$k$比$n$小得多。已知在这种情况下,通过使用不超过$O(k)$查询,可以在指数时间内恢复所有特征。然而,到目前为止,所有的\textit{efficient}推理算法都至少需要$Ω(k\ln n)$查询,并且不知道这个差距是人为的还是根本性的。在这里,我们表明,事实上,以前的差距之间的信息理论和计算界限是不是固有的问题,通过提供一个有效的算法,成功的概率很高,并采用不超过$O(k)$测量。这也解决了一个长期悬而未决的问题,定量组测试的问题。
2022-02-09 cs.DM 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
Efficient and accurate group testing via Belief Propagation: an empirical study
Goethe University(歌德大学)
组测试问题要求有效的汇集方案和算法,允许筛选适度大量的样本罕见的感染。目标是在进行尽可能少的测试的同时准确识别受感染的样本。探索使用的技术集中在信念传播消息传递算法,我们提出了一个新的测试设计,显着提高了结果的准确性。新的设计带有置信传播作为一种有效的推理算法。针对实际而不是渐近问题大小的结果,我们进行了实验研究。
2021-05-13 cs.AI cs.DM cs.IT
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
GROTESQUE: Noisy Group Testing (Quick and Efficient)
分组测试是指通过“少量”“合并”测试从(大量)$N$项目中识别(高概率)$D$缺陷的(小)子集的问题。为了便于介绍,在这项工作中,我们专注于政权时,$D = \cO{N^{1-\gap}}$的一些$\gap > 0$。测试可以是无噪声的或有噪声的,并且测试过程可以是自适应的(定义测试的池可以取决于先前测试的结果)或非自适应的(每个测试独立于其他测试的结果来执行)。大量的文献表明,$Θ(D\log(N))$测试的信息理论上是必要的和充分的组测试问题,并提供算法,实现这一性能。然而,直到最近才开始研究$N$中具有次线性计算复杂度的重建算法(\cite{GurI:04,IndN:10, NgoP:11}最近的工作给出了一些第一个这样的算法)。在这种情况下,自适应测试与嘈杂的结果,我们提出了第一个计划,同时订单最佳(小常数因子)的测试和解码复杂性($\cO{D\log(N)}$在这两个性能指标)的数量。我们的自适应算法的阶段的总数是“小”($\cO{\log(D)}$)。类似地,在具有噪声结果的非自适应测试的场景中,我们提出了在测试数量和解码复杂度两者中同时接近最优的第一方案(通过需要$\cO{D\log(D)\log(N)}$测试并且具有{ ${\cal O}(D(\log N+\log^{2}D))$ }的解码复杂度的算法)。最后,我们提出了一个自适应算法,只需要2个阶段,测试的数量和…
2013-07-10 cs.IT math.IT
Group Testing: An Information Theory Perspective
University of Leeds(利兹大学);University of Bristol(布里斯托大学);National University of Singapore(新加坡国立大学)
本文从信息论角度探讨群体测试问题,分析了高效算法、解码界限及噪声环境下的恢复方法,提出群体测试的速率概念,评估了不同稀疏度下的算法性能。
2026-05-14 cs.DM cs.IT math.IT
A negative binomial approximation in group testing
本文研究非自适应群体检测中只出现在阳性检测里的非缺陷“侵入项”数量分布,证明在Bernoulli矩阵设计下其近似服从负二项分布,并据此分析Aldridge两阶段保守算法的性能。
2022-08-26 cs.IT math.IT math.PR
Combinatorial Group Testing in Presence of Deletions
本文首次研究抗删除噪声的非自适应组合分组测试,刻画了对抗性删除下成功识别缺陷物品的充要条件,并给出测试矩阵构造与高效恢复算法。
2025-01-22 cs.DM cs.IT math.IT
A Probably Approximately Correct Analysis of Group Testing Algorithms
针对非自适应随机池化矩阵分组测试中缺陷品近似识别问题,基于PAC框架将其转化为函数学习问题,推导了三种流行算法的测试次数充分性界限,并与现有精确恢复界限进行了理论和模拟对比。
2024-11-30 cs.IT math.IT stat.ML
Improving Group Testing via Gradient Descent
研究了具有不同独立先验的分组测试问题。到目前为止,文献中提出的合并策略采用以下方法:提出手工制作的测试设计以及解码策略,并保证有多少测试足以识别人群中的所有感染。在本文中,我们采取了一种不同的,但也许更实用的方法:我们固定解码器和测试的数量,我们问,鉴于这些,什么是最好的测试设计可以使用?我们探讨这个问题的确定非缺陷(DND)解码器。我们制定一个(非凸)优化问题,其中的目标函数是一个特定的设计的预期错误数。我们通过梯度下降找到近似的解决方案,我们进一步优化知情的初始化。我们通过模拟说明,我们的方法可以实现显着的性能改善传统的方法。
2022-01-28 cs.IT math.IT stat.AP
On Subset Retrieval and Group Testing Problems with Differential Privacy Constraints
本文提出差分隐私框架,用于子集检索与噪声分组检测,刻画隐私与准确性的权衡,并建立两者间的归约关系。
2025-01-23 cs.IT math.IT
Small error algorithms for tropical group testing
本文研究受COVID-19 PCR检测启发的tropical group testing模型,引入三种经典非自适应算法的热带对应算法,发现tropical DD在密集问题中能用更少测试恢复更多信息且达最优。
2024-08-15 cs.IT math.IT math.PR
Sharp Estimates for Optimal Multistage Group Partition Testing
本文针对多阶段分组划分测试问题,首次给出(n,1,s)和(n,d,2)的精确解,并提出通用动态规划方法,获得尖锐上下界及最优竞争比算法。
2025-07-09 cs.IT math.IT
Novel Impossibility Results for Group-Testing
在这项工作中,我们证明了非平凡的不可能的结果,也许是最简单的非线性估计问题,{ \it组测试}(GT),通过最近开发的Madiman-Tetali不等式。分组测试涉及通过$t$ {分离/合并}测量(“分组测试”)从一组$n$项目中识别隐藏的一组$d$缺陷项目。我们认为线性稀疏制度,即$d = δn$的任何常数$δ>0$,迄今很少探索(虽然自然)制度。在一个标准的信息理论的设置,测试需要是非自适应的,并允许一个小概率的重建错误,我们的下限$t$是{ \it第一},提高了经典的计数下限,$t/n \geq H(δ)$,其中$H(\cdot)$是二进制熵函数。作为我们结果的推论,我们表明:(i)对于$δ\gtrsim 0.347$,个体测试基本上是最优的,即,$t \geq n(1-o(1))$ ;以及(ii)存在{自适应间隙},因为对于$δ\in (0.3471,0.3819)$,已知的{自适应} GT算法需要比$n$测试更少的测试来重建${\cal D}$,而我们的界限意味着最佳非自适应算法必须本质上是每个元素的单独测试。也许最重要的是,我们的工作提供了一个框架,组合和信息理论的方法来推导出非平凡的各种非线性估计问题的下限。
2018-04-09 cs.IT math.IT
Algorithms for Threshold Group Testing
TU Dortmund(多特蒙德工业大学);Eindhoven University of Technology(埃因霍温理工大学)
针对无间隙无噪声非自适应阈值群测试问题,提出基于空间耦合测试设计的高效推理算法,在常数列测试设计下以最少测试数实现高概率精确恢复,匹配信息论阈值。
2026-08-04 cs.IT math.IT
Group Testing with Selectable Thresholds
National University of Singapore(新加坡国立大学)
研究分组测试问题,引入可选择阈值模型,在最大阈值大或无界时建立高概率恢复条件及速率,固定最大阈值时确定可实现测试次数并得出逆命题,二者在密集极限下一致。
2026-07-17 cs.IT math.IT math.PR