[논문 리뷰] Lower bounds for identifying subset members with subset queries

Emanuel Knill|arXiv (Cornell University)|1995. 01. 22.

SARS-CoV-2 detection and testing참고 문헌 15인용 수 60

한 줄 요약

이 논문은 $ n $개의 객체에서 각 객체가 독립적으로 확률 $ p/n $로 포함되는 무작위 부분집합 $ P $를 식별하기 위해 이단계 그룹 테스팅 알고리즘에서 필요한 쿼리 수의 날카운 하한을 설정한다. 첫 번째 단계에서 $ o(\log n \log n / \log \log n) $개의 쿼리를 사용할 경우, 두 번째 단계에서의 개별 테스트 기대 수는 $ n^{1-o(1)} $가 되며, 반면 $ O(\log n \log n / \log \log n) $개의 첫 번째 단계 쿼리를 사용하는 알고리즘은 $ \Exp(q_2) = o(1) $를 달성할 수 있음을 보여, 비적응형 그룹 테스팅 효율성에 대한 추측을 해결한다.

ABSTRACT

An instance of a group testing problem is a set of objects $\cO$ and an unknown subset $P$ of $\cO$. The task is to determine $P$ by using queries of the type ``does $P$ intersect $Q$'', where $Q$ is a subset of $\cO$. This problem occurs in areas such as fault detection, multiaccess communications, optimal search, blood testing and chromosome mapping. Consider the two stage algorithm for solving a group testing problem. In the first stage a predetermined set of queries are asked in parallel and in the second stage, $P$ is determined by testing individual objects. Let $n=\cardof{\cO}$. Suppose that $P$ is generated by independently adding each $x\in \cO$ to $P$ with probability $p/n$. Let $q_1$ ($q_2$) be the number of queries asked in the first (second) stage of this algorithm. We show that if $q_1=o(\log(n)\log(n)/\log\log(n))$, then $\Exp(q_2) = n^{1-o(1)}$, while there exist algorithms with $q_1 = O(\log(n)\log(n)/\log\log(n))$ and $\Exp(q_2) = o(1)$. The proof involves a relaxation technique which can be used with arbitrary distributions. The best previously known bound is $q_1+\Exp(q_2) = \Omega(p\log(n))$. For general group testing algorithms, our results imply that if the average number of queries over the course of $n^\gamma$ ($\gamma>0$) independent experiments is $O(n^{1-\epsilon})$, then with high probability $\Omega(\log(n)\log(n)/\log\log(n))$ non-singleton subsets are queried. This settles a conjecture of Bill Bruno and David Torney and has important consequences for the use of group testing in screening DNA libraries and other applications where it is more cost effective to use non-adaptive algorithms and/or too expensive to prepare a subset $Q$ for its first test.

연구 동기 및 목표

• 무작위 부분집합 $ P $를 고려할 때, $ n $개의 객체에서 각 객체가 독립적으로 확률 $ p/n $로 포함되는 경우, 이단계 그룹 테스팅에서 필요한 최소 쿼리 수를 결정하는 것.
• 첫 번째 단계의 쿼리 수와 두 번째 단계의 개별 테스트 기대 수 사이의 상호 교환 관계를 분석하는 것.
• DNA 라이브러리 스크리닝과 같은 응용 분야에서 비적응형 그룹 테스팅의 쿼리 복잡도에 대한 추측을 제기한 Bruno와 Torney의 추측을 해결하는 것.
• 확률적 부분집합 생성 조건 하에서 비적응형 그룹 테스팅 알고리즘의 효율성에 대한 근본적 한계를 설정하는 것.

제안 방법

• 저자들은 임의의 분포에 대해 그룹 테스팅의 쿼리 복잡도를 분석할 수 있도록 허용하는 이완 기법을 도입하여, 무작위 부분집합 모델의 분석을 가능하게 한다.
• 그룹 테스팅 문제를 두 단계 과정으로 모델링한다: $ q_1 $개의 쿼리로 이루어진 비적응형 첫 번째 단계, 그리고 $ q_2 $개의 쿼리로 이루어진 적응형 개별 테스팅을 포함하는 두 번째 단계.
• 확률적 방법을 사용하여 첫 번째 단계 쿼리 수 $ q_1 $에 기반해 두 번째 단계 쿼리 수의 기대값 $ \Exp(q_2) $를 경계한다.
• 핵심 기여는 $ q_1 = o(\log n \log n / \log \log n) $이면, 최적의 쿼리 설계 조건 하에서도 $ \Exp(q_2) = n^{1-o(1)} $임을 보여주는 하한이다.
• 이 방법은 일반적인 분포에 적용 가능하며, 비적응형 알고리즘에서 비단일집합 부분집합의 쿼리 수에 대한 일반적인 하한을 유도하는 데 사용된다.

실험 결과

연구 질문

• RQ1 두 번째 단계의 개별 테스트 기대 수가 다항식 이하가 되도록 보장하기 위해 필요한 최소한의 첫 번째 단계 쿼리 수는 얼마인가?
• RQ2 만약 $ P $가 희박한 무작위 부분집합이라면, 비적응형 그룹 테스팅 알고리즘이 다항식 이하의 총 쿼리 비용을 달성할 수 있는가?
• RQ3 일반적인 분포 조건 하에서 비적응형 그룹 테스팅에서 반드시 쿼리되어야 할 비단일집합 부분집합의 수에 대한 근본적 한계는 무엇인가?
• RQ4 Bruno와 Torney의 추측—즉, $ \Omega(\log n \log n / \log \log n) $개의 쿼리가 필요하다—는 확률적 부분집합 모델 하에서 성립하는가?

주요 결과

• 첫 번째 단계에서 $ o(\log n \log n / \log \log n) $개의 쿼리를 사용할 경우, 두 번째 단계의 개별 테스트 기대 수는 $ n^{1-o(1)} $가 되며, 이는 낮은 확장성(스케일러빌리티)을 의미한다.
• 첫 번째 단계 쿼리 수 $ q_1 = O(\log n \log n / \log \log n) $를 가지며 $ \Exp(q_2) = o(1) $를 달성하는 알고리즘이 존재함을 보여, 이 하한이 날카로움을 입증한다.
• 이 결과는 Bruno와 Torney의 추측을 증명함으로써, 비적응형 그룹 테스팅에서 고려 확률적으로 $ \Omega(\log n \log n / \log \log n) $개의 비단일집합 부분집합이 쿼리되어야 함을 해결한다.
• 분석을 통해 기존 알려진 하한보다 향상된 새로운 하한 $ q_1 + \Exp(q_2) = \Omega(p \log n) $를 확립한다.
• 증명에서 사용된 이완 기법은 일반적이며 임의의 분포에 적용 가능하므로, 고려된 구체적 확률 모델을 초월해 널리 적용 가능한 결과를 도출한다.