[논문 리뷰] Group Testing with a Graph Infection Spread Model

Batuhan Arasli, Şennur Ulukuş|arXiv (Cornell University)|2021. 01. 14.

SARS-CoV-2 detection and testing인용 수 8

한 줄 요약

이 논문은 개인 간에 무작위 연결 그래프로 연결된 그래프 기반의 감염 확산 모델을 활용하는 이단계 샘플링 그룹 테스팅 알고리즘을 제안한다. 이로 인해 감염이 상관관계를 가지는 군집이 형성되며, 각 군집에서 한 명의 개인을 샘플링하고 영점 오차가 없는 비적응형 그룹 테스팅을 적용함으로써, 지수적으로 분할되는 군집 트리의 경우 O(log n)회의 테스트로 성능을 달성한다. 이는 고감염률에서도 기존의 비적응형 및 적응형 알고리즘을 능가한다.

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.

연구 동기 및 목표

• 기존의 그룹 테스팅 기법이 고감염률에서 효과가 없다고 여겨지는 한계를 극복하기 위해 현실적인 확률적 감염 확산 모델을 통합하고자 한다.
• 무작위 연결 그래프 상에서 감염 확산을 확률적 과정으로 모델링하여 상관관계를 가지는 감염 군집을 유도하고자 한다.
• 군집의 구조를 활용하여 필요한 테스트 수를 줄이는 이단계 샘플링 그룹 테스팅 알고리즘을 설계하고자 한다.
• 감염 유병률이 높은 상황에서도 그룹 테스팅이 여전히 높은 효율성을 유지할 수 있음을 입증하고, 기존의 그룹 테스팅의 한계에 대한 일반적인 믿음에 도전하고자 한다.
• 제안된 모델과 알고리즘 하에서 테스트 복잡도와 오분류 비율의 이론적 경계를 수립하고자 한다.

제안 방법

• 개인 간 간선의 확률이 알려진 무작위 연결 그래프 모델을 제안하여 무작위 군집 형성을 이끌어낸다.
• 균일 무작위로 선택된 환자 제로에서 출발하여 감염이 간선을 따라 전파되며, 연결된 컴포넌트 군집이 형성되도록 감염 확산을 모델링한다.
• 이중 샘플링 그룹 테스팅 알고리즘을 설계한다: 첫 번째 단계에서 각 군집에서 한 명의 대표자를 선정하고, 두 번째 단계에서 이 대표자들에게 영점 오차가 없는 비적응형 그룹 테스팅을 적용한다.
• 기존의 군집 구조를 고려하여 최적화된 F-분리 가능한 비적응형 그룹 테스팅 행렬을 도입하여 영점 오차 추론을 보장한다.
• 이항계수의 경계 및 귀납법과 같은 분석 도구를 사용하여 특정 군집 구조에 대한 성능 지표를 유도한다.
• 지수적으로 분할되는 군집 형성 트리에 이 방법을 적용하여 테스트 횟수 및 오분류 비율에 대한 명시적 경계를 계산한다.

실험 결과

연구 질문

• RQ1 무작위 그래프 구조를 통해 감염 상관관계를 모델링할 경우, 고감염 유병률에서도 그룹 테스팅이 효율적으로 유지될 수 있는가?
• RQ2 무작위 그래프 연결을 통해 형성된 감염 군집의 구조는 그룹 테스팅에서 필요한 테스트 수에 어떤 영향을 미치는가?
• RQ3 오차 분류를 최소화하고 테스트 수를 줄이기 위해 군집 대표자에 대한 최적의 샘플링 전략은 무엇인가?
• RQ4 군집 구조를 활용할 경우, 비적응형 그룹 테스팅 알고리즘이 Hwang의 일반화된 이진 분할 알고리즘보다 우월할 수 있는가?
• RQ5 제안된 모델과 알고리즘 하에서 영점 오차 추론을 위한 이론적 테스트 복잡도(테스트 횟수)는 얼마인가?

주요 결과

• 지수적으로 분할되는 군집 형성 트리의 경우, 필요한 테스트 수는 O(log₂n)이며, 이는 표준 비적응형 및 적응형 알고리즘보다 크게 낮다.
• 제안된 이단계 샘플링 그룹 테스팅 알고리즘은 주어진 모델 하에서 점근적으로 최적의 테스트 복잡도를 달성하며 영점 오차 추론을 실현한다.
• 오분류의 기대 수는 분석적으로 특성화되었으며, 최적의 샘플링 함수 선택을 통해 제어 가능함을 입증하였다.
• Hwang의 일반화된 이진 분할 알고리즘과 군집 구조를 고려하지 않는 모든 비적응형 그룹 테스팅 방법보다 성능이 뛰어나며, 첫 번째 단계를 무시하더라도 여전히 승리한다.
• 결과적으로, 연결 기반 감염 확산에 대한 사전 지식을 활용할 경우, 고감염률에서도 그룹 테스팅이 매우 효과적일 수 있음을 입증한다.
• 분석을 통해 분리 조건을 만족하는 최소 테스트 수는 주어진 매개변수 f에 대해 f/3 이하로 경계됨을 증명하였으며, 이는 제안된 구성의 효율성을 뒷받침한다.