[論文レビュー] Group Testing with a Graph Infection Spread Model

Batuhan Arasli, Şennur Ulukuş|arXiv (Cornell University)|Jan 14, 2021

SARS-CoV-2 detection and testing被引用数 8

ひとこと要約

本稿では、ランダムな接続グラフを介して接続される個々の人物をモデル化したグラフベースの感染拡散モデルを用いた2段階のサンプリング群検査アルゴリズムを提案する。このモデルでは、感染が相関するクラスタを形成する。1つのクラスタから1人をサンプリングし、ゼロエラー非適応型群検査を適用することで、指数的分割木構造のクラスタに対してO(log n)のテスト数を達成する。これは、感染率が高くなっても、従来の非適応型および適応型アルゴリズムを上回る性能を発揮する。

ABSTRACT

We propose a novel infection spread model based on a random connection graph which represents connections between $n$ individuals. Infection spreads via connections between individuals and this results in a probabilistic cluster formation structure as well as a non-i.i.d. (correlated) infection status for individuals. We propose a class of two-step sampled group testing algorithms where we exploit the known probabilistic infection spread model. We investigate the metrics associated with two-step sampled group testing algorithms. To demonstrate our results, for analytically tractable exponentially split cluster formation trees, we calculate the required number of tests and the expected number of false classifications in terms of the system parameters, and identify the trade-off between them. For such exponentially split cluster formation trees, for zero-error construction, we prove that the required number of tests is $O(\log_2n)$. Thus, for such cluster formation trees, our algorithm outperforms any zero-error non-adaptive group test, binary splitting algorithm, and Hwang's generalized binary splitting algorithm. Our results imply that, by exploiting probabilistic information on the connections of individuals, group testing can be used to reduce the number of required tests significantly even when infection rate is high, contrasting the prevalent belief that group testing is useful only when infection rate is low.

研究の動機と目的

• 従来の群検査は高感染率において効果がないとされているが、これを補うために現実的な確率的感染拡散モデルを組み込むこと。
• ランダムな接続グラフ上での確率的過程としての感染拡散をモデル化し、相関する感染クラスタを生成すること。
• クラスタ構造を活用して必要なテスト数を削減する2段階のサンプリング群検査アルゴリズムを設計すること。
• 感染の有病率が高くても、群検査が依然として高い効率を発揮できることを示し、従来のその限界に関する一般的な認識に挑戦すること。
• 提案されたモデルとアルゴリズム下でのテスト複雑度と誤分類率の理論的境界を確立すること。

提案手法

• エッジの確率が既知であるランダムな接続グラフモデルを提案し、これによりランダムなクラスタ形成が生じることを示す。
• 均等にランダムに選ばれた「患者ゼロ」から感染が伝播し、エッジに沿って拡散することで、連結成分としてのクラスタが形成されることをモデル化する。
• 2段階のサンプリング群検査アルゴリズムを設計：第1段階で各クラスタから代表者1人を選択し、第2段階でその代表者に対してゼロエラー非適応型群検査を適用する。
• 既知のクラスタ構造に適合したF分離可能な非適応型群検査行列を導入し、ゼロエラー推論を保証する。
• 二項係数の境界と帰納法を用いた解析的手法により、特定のクラスタ構造における性能指標を導出する。
• 指数的分割クラスタ形成木に本手法を適用し、テスト数と誤分類率の明示的境界を計算する。

実験結果

リサーチクエスチョン

• RQ1 感染の相関がランダムグラフ構造によってモデル化された場合、高有病率下でも群検査が効率的であると言えるか？
• RQ2 ランダムグラフ接続によって形成される感染クラスタの構造は、群検査における必要なテスト数にどのように影響するか？
• RQ3 テスト数と誤分類数を最小化するためのクラスタ代表者に対する最適なサンプリング戦略は何か？
• RQ4 クラスタ構造を活用する場合、非適応型群検査アルゴリズムがHwangの一般化二分探索よりも優れる可能性はあるか？
• RQ5 提案されたモデルとアルゴリズム下でのゼロエラー推論における理論的テスト複雑度（テスト数）は何か？

主な発見

• 指数的分割クラスタ形成木に対しては、必要なテスト数がO(log₂n)にまで低下し、従来の非適応型および適応型アルゴリズムよりも顕著に少ない。
• 提案された2段階のサンプリング群検査アルゴリズムは、与えられたモデル下で漸近的に最適なテスト複雑度を達成するゼロエラー推論を実現する。
• 誤分類の期待値は解析的に特定され、最適なサンプリング関数の選択により制御可能であることが示された。
• Hwangの一般化二分探索およびクラスタ構造を活用しないすべての非適応型群検査手法を上回る性能を示し、第1段階を無視しても同様の優位性が保たれる。
• 結果として、接続に基づく感染拡散の事前知識を活用することで、高有病率下でも群検査が極めて効果的であることが示された。
• 解析により、分離性条件を満たす最小のテスト数がパラメータfに対してf/3で有界であることが証明され、構成の効率性が裏付けられた。