[論文レビュー] Statistical and Computational Phase Transitions in Group Testing

Amin Coja‐Oghlan, Oliver Gebhard+3 more|arXiv (Cornell University)|Jun 15, 2022

SARS-CoV-2 detection and testing被引用数 6

ひとこと要約

本稿は、情報理論および低次の多項式フレームワークを用いて、定数列プーリングおよびベルヌーイプーリングの2つのランダムプーリング設計におけるグループテストの統計的・計算的相転移を分析する。検出および回復の鋭い閾値を確立し、両モデルにおいて計算統計ギャップが存在することを明らかにしたが、これはベルヌーイ設計においてその存在がないと予測されていた過去の予測とは対照的である。

ABSTRACT

We study the group testing problem where the goal is to identify a set of k infected individuals carrying a rare disease within a population of size n, based on the outcomes of pooled tests which return positive whenever there is at least one infected individual in the tested group. We consider two different simple random procedures for assigning individuals to tests: the constant-column design and Bernoulli design. Our first set of results concerns the fundamental statistical limits. For the constant-column design, we give a new information-theoretic lower bound which implies that the proportion of correctly identifiable infected individuals undergoes a sharp "all-or-nothing" phase transition when the number of tests crosses a particular threshold. For the Bernoulli design, we determine the precise number of tests required to solve the associated detection problem (where the goal is to distinguish between a group testing instance and pure noise), improving both the upper and lower bounds of Truong, Aldridge, and Scarlett (2020). For both group testing models, we also study the power of computationally efficient (polynomial-time) inference procedures. We determine the precise number of tests required for the class of low-degree polynomial algorithms to solve the detection problem. This provides evidence for an inherent computational-statistical gap in both the detection and recovery problems at small sparsity levels. Notably, our evidence is contrary to that of Iliopoulos and Zadik (2021), who predicted the absence of a computational-statistical gap in the Bernoulli design.

研究の動機と目的

• 定数列およびベルヌーイのランダムプーリング設計下でのグループテストの根本的統計的限界を特定すること。
• 低スパarsityレベルにおける検出および回復問題における計算統計ギャップの存在および性質を調査すること。
• 情報理論的およびアルゴリズム的技法を用いて、両設計における弱検出および回復のための必要なテスト回数を精緻に特定すること。
• IliopoulosおよびZadik（2021）の予測とは対照的に、ベルヌーイ設計には計算統計ギャップが存在しないとされたが、これを反証すること。
• 低次の多項式フレームワークを適用し、計算的に効率的な推論手順の難易度を確立すること。

提案手法

• 定数列設計における新たな情報理論的下界を導出し、識別可能性における「すべてかゼロか」の相転移を示す。
• カイ二乗発散および条件付きカイ二乗発散を用いて、帰無仮説およびプラントモデル下での仮説検定を分析する。
• 低次の多項式フレームワークを適用し、弱検出に必要なテスト回数の下界を確立し、計算上の困難さを示す。
• 条件付きプラント分布および第二モーメント法を用いて、特定のテストレジーム下での検出の不可能性を証明する。
• ピンスカーリンの不等式およびモーメント生成関数を用いて、プラントモデルおよび帰無仮説モデル下での条件付き分布間のKL発散をバウンディングする。
• テスト結果および個々のテスト頻度に関するプラント分布と帰無仮説分布のカップリングを構築し、弱検出の不可能性を証明する。

実験結果

リサーチクエスチョン

• RQ1 定数列グループテスト設計における弱検出の正確な閾値は何か？
• RQ2 ベルヌーイ設計における弱検出に必要なテスト回数は何か？ これは既知の上界および下界と一致するか？
• RQ3 ベルヌーイ設計において計算統計ギャップが存在するか？ これはIliopoulosおよびZadikの予測とは対照的である。
• RQ4 定数列設計における回復の統計的限界は何か？ そしてこれは「すべてかゼロか」の遷移を示すか？
• RQ5 低次の多項式フレームワークは、両設計下での検出および回復問題における計算的障壁を検出できるか？

主な発見

• 定数列設計において、適切に特定可能な感染者の割合は、特定のテスト閾値で鋭い「すべてかゼロか」の相転移を示す。
• ベルヌーイ設計において、弱検出に必要な正確なテスト回数が特定され、Truongら（2020）の先行研究の上界および下界を改善した。
• 両設計における低スパarsityレベル下での検出および回復問題において、計算統計ギャップが確立された。
• 低次の多項式フレームワークにより、特定のテスト閾値未満では弱検出が不可能であることが示され、計算上の困難さの証拠が得られた。
• IliopoulosおよびZadik（2021）の予測とは対照的に、ベルヌーイ設計においても計算統計ギャップが存在することを示した。
• 閾値未満では、プラントモデルおよび帰無仮説モデル下での条件付き分布間のKL発散が消えるため、高確率で全分布をカップリング可能となる。