[論文レビュー] Near optimal sparsity-constrained group testing: improved bounds and algorithms

Oliver Gebhard, Max Hahn‐Klimroth+5 more|arXiv (Cornell University)|Apr 24, 2020

SARS-CoV-2 detection and testing参考文献 41被引用数 4

ひとこと要約

本稿は、個々の人物が最大で$\Delta$回のテストに参加する（$\Delta$制約）か、各テストに最大で$\Gamma$人の個体が含まれる（$\Gamma$制約）といった実用的制約下におけるスパarsity制約付きグループテストについて、近似的に最適な境界とアルゴリズムを確立した。$\Delta$-可除のアイテムに対して、ランダム正則設計を用いたDDアルゴリズムの漸近的最適性を証明し、$\Gamma$サイズのテストに特化したプーリング方式を導入することで、正確な閾値を達成した。さらに、近似的に最適な適応的アルゴリズムを構築し、適応的と非適応的性能の明確な差を示した。

ABSTRACT

Recent advances in noiseless non-adaptive group testing have led to a precise asymptotic characterization of the number of tests required for high-probability recovery in the sublinear regime $k = n^θ$ (with $θ\in (0,1)$), with $n$ individuals among which $k$ are infected. However, the required number of tests may increase substantially under real-world practical constraints, notably including bounds on the maximum number $Δ$ of tests an individual can be placed in, or the maximum number $Γ$ of individuals in a given test. While previous works have given recovery guarantees for these settings, significant gaps remain between the achievability and converse bounds. In this paper, we substantially or completely close several of the most prominent gaps. In the case of $Δ$-divisible items, we show that the definite defectives (DD) algorithm coupled with a random regular design is asymptotically optimal in dense scaling regimes, and optimal to within a factor of $\eul$ more generally; we establish this by strengthening both the best known achievability and converse bounds. In the case of $Γ$-sized tests, we provide a comprehensive analysis of the regime $Γ= Θ(1)$, and again establish a precise threshold proving the asymptotic optimality of SCOMP (a slight refinement of DD) equipped with a tailored pooling scheme. Finally, for each of these two settings, we provide near-optimal adaptive algorithms based on sequential splitting, and provably demonstrate gaps between the performance of optimal adaptive and non-adaptive algorithms.

研究の動機と目的

• 非適応的グループテストにおける達成可能境界と逆境界のギャップを、$\Delta$（1人あたりの最大テスト数）や$\Gamma$（1テストあたりの最大個体数）といった実用的制約下で解消すること。
• $\theta > \frac{1}{2}$の下で$\Delta$-可除性を満たす場合のDDアルゴリズムの漸近的最適性を証明し、すべての$\theta \in (0,1)$に対して$e$の要因内での最適性を示すこと。
• $\Gamma = \Theta(1)$の状態の包括的解析を行い、特化したプーリング方式を用いたSCOMPの正確な閾値を証明すること。
• 逐次分割に基づく近似的に最適な適応的アルゴリズムを設計し、適応的と非適応的性能の明確なギャップを示すこと。
• 制約付きグループテストにおける長年のギャップを埋めるために、達成可能境界と逆境界の両方を強化すること。

提案手法

• 各個人が正確に$\Delta$回のテストに参加するランダム正則設計を用い、DDアルゴリズムの性能をより厳密に分析可能にする。
• 集中不等式とスターリングの近似を用いて、正しく回復される確率を評価し、特に二項係数の推定にClaim VII.3およびVII.5を活用する。
• $\Gamma$サイズのテストに特化した新しい確率的プーリング方式を導入し、情報理論的閾値に適合するようにテスト設計を最適化する。
• 新しいプーリング方式下でのSCOMPアルゴリズム（DDの改良版）を分析し、$\Gamma = \Theta(1)$の下で漸近的最適性を証明する。
• 逐次分割を用いた適応的アルゴリズムを構築し、テスト回数を最小限に抑えつつ高確率での回復を保証する。
• 大偏差不等式と組合せ的推定（例：Claim VII.4）を用いて、非適応的および適応的設定の両方におけるきめ細かな閾値を導出する。

実験結果

リサーチクエスチョン

• RQ1 各個人が最大$\Delta$回のテストに参加する場合の非適応的グループテストにおける情報理論的閾値は何か？ また、この制約下でDDアルゴリズムは最適か？
• RQ2 各テストに最大$\Gamma$人の個体が含まれる場合、特に$\Gamma = \Theta(1)$の状態において、グループテストの性能はどのようにスケーリングするか？
• RQ3 $\Delta$-または$\Gamma$-制約付きグループテストに対して、近似的に最適な適応的アルゴリズムを構築可能か？ そのテスト回数は非適応的手法と比べてどの程度か？
• RQ4 スパarsity制約下における適応的と非適応的グループテストの根本的なギャップは何か？ そして、それを定量的に特徴づけられるか？
• RQ5 制約付きグループテストにおける既知の性能限界のギャップを埋めるために、よりきめ細かな達成可能境界と逆境界を確立可能か？

主な発見

• $\Delta$-可除のアイテムに対しては、ランダム正則設計を用いたDDアルゴリズムが$\theta > \frac{1}{2}$で漸近的に最適であり、すべての$\theta \in (0,1)$に対して$e$の要因内での最適性を達成する。
• $\Gamma = \Theta(1)$の状態では、特化したプーリング方式を用いたSCOMPに対して正確な閾値を確立し、すべての$\theta \in (0,1)$で漸近的最適性を証明した。
• 本研究では、$\Delta$制約付きグループテストにおける最高の既知の達成可能境界と逆境界を改善し、理論的限界のギャップを顕著に縮小した。
• すべての$\Delta$および$\Gamma$制約に対して、逐次分割に基づく近似的に最適な適応的アルゴリズムを構築し、情報理論的限界に非常に近い性能を達成した。
• 広範なスケーリング領域において、最適な適応的アルゴリズムと非適応的アルゴリズムが要請するテスト回数の明確な、証明可能なギャップを示した。
• シミュレーションにより理論的閾値が確認され、適応的スキームでは収束が速く、非適応的DDではより広い一時的挙動を示すことが理論的予測と一致した。