[論文レビュー] Optimal non-adaptive group testing

Amin Coja‐Oghlan, Oliver Gebhard+2 more|arXiv (Cornell University)|Nov 6, 2019

SARS-CoV-2 detection and testing被引用数 12

ひとこと要約

この論文は、$n$ 人から $k \sim n^\theta$ 人の感染者を特定する非適応的グループテストにおいて、並列テストを用いた情報理論的かつアルゴリズム的フェーズ遷移が鋭く定まることを確立している。$m_{\inf}$ よりも $1+\epsilon$ 倍以上のテストを用いれば、多項式時間アルゴリズムが高確率で感染者を特定可能であるのに対し、$m_{\inf}$ よりも $1-\epsilon$ 倍未満のテストでは、識別が情報理論的に不可能であることが示され、長年の未解決問題が解決された。

ABSTRACT

In non-adaptive group testing we aim to identify a small set of $k\sim n^ heta$ infected individuals out of a population size $n$, $0< heta<1$. We avail ourselves to a test procedure that can test a group of individuals, with the test rendering a positive result iff at least one individual in the group is infected. All tests are conducted in parallel. The aim is to devise a (possibly randomised) test design with as few tests as possible so that the infected individuals can be identified with high probability. We prove that there occurs a sharp information-theoretic/algorithmic phase transition as the number of tests passes an explicit threshold $m_{\inf}$. Hence, if more than $(1+\epsilon)m_{\inf}$ tests are conducted, then there exist a test design and a polynomial time algorithm that identifies the set of infected individuals with high probability. By contrast, identifying the infected individuals is information-theoretically impossible with fewer than $(1-\epsilon)m_{\inf}$ tests. These results resolve problems prominently posed in [Aldridge et al. 2019, Johnson et al. 2018].

研究の動機と目的

• 非適応的グループテストにおいて、$k \sim n^\theta$ 個の感染者を信頼性を持って特定するための最小テスト数を特定すること。
• 非適応的グループテストの情報理論的およびアルゴリズム的限界に関する長年の理解のギャップを埋めること。
• 識別が可能か不可能かを分ける正確な閾値 $m_{\inf}$ を確立すること。
• テスト数が $(1+\epsilon)m_{\inf}$ を超える場合に、多項式時間アルゴリズムが成功することを証明すること。

提案手法

• 著者らは、情報理論的原則に基づいて明示的な閾値 $m_{\inf}$ を導出し、信頼性のある識別に必要な臨界的テスト数を表す。
• 確率的解析を用いて、$m > (1+\epsilon)m_{\inf}$ テストの場合、ランダムなテスト設計が多項式時間アルゴリズムを用いて感染者を効率的に回復可能であることを示した。
• 濃度不等式と組合せ的議論を活用して、感染者集合の識別の誤差確率を抑えている。
• 逆転の議論により、$(1-\epsilon)m_{\inf}$ テスト未満では、適応的であれ非適応的であれ、いかなる手法でも高確率で感染者集合を特定できないことが示された。
• ランダムなテスト設計と、スパarsityとグループテストの結果を活用して感染者集合を再構築するデコーディングアルゴリズムを組み合わせたフレームワークを構築した。

実験結果

リサーチクエスチョン

• RQ1 非適応的グループテストにおいて、感染者を識別することが情報理論的に不可能になる正確な閾値 $m_{\inf}$ は何か？
• RQ2 テスト数が $m_{\inf}$ をわずかに超える場合に、多項式時間アルゴリズムが感染者集合を特定するのに成功するか？
• RQ3 テスト数が $m_{\inf}$ を通過する際に、識別の可能性と不可能性の間で鋭いフェーズ遷移が生じるか？
• RQ4 スパarsityパラメータ $\theta$ が $k \sim n^\theta$ の設定において、閾値 $m_{\inf}$ はどのように依存するか？

主な発見

• テスト数が $(1+\epsilon)m_{\inf}$ を超えると、$m_{\inf}$ で鋭いフェーズ遷移が生じ、多項式時間アルゴリズムを用いて高確率で識別が可能である。
• $(1-\epsilon)m_{\inf}$ テスト未満では、計算能力にかかわらず、識別が情報理論的に不可能である。
• $m_{\inf}$ は明示的に特徴付けられており、スパarsityパラメータ $\theta$ に依存する。
• この論文は、Aldridgeら（2019年）およびJohnsonら（2018年）が提起した非適応的グループテストの根本的限界に関する顕著な未解決問題を解決した。
• スパースな設定 $k \sim n^\theta$ における信頼性のある非適応的グループテストに必要なテスト数のタイトな境界を確立した。
• 結果として、情報理論的限界とアルゴリズム的閾値が $m_{\inf}$ で一致することが確認され、理論的理解における長年のギャップが埋まった。