[논문 리뷰] Near optimal sparsity-constrained group testing: improved bounds and algorithms

Oliver Gebhard, Max Hahn‐Klimroth외 5명|arXiv (Cornell University)|2020. 04. 24.

SARS-CoV-2 detection and testing참고 문헌 41인용 수 4

한 줄 요약

이 논문은 실용적인 제약 조건—개개인당 최대 테스트 수($\Delta$) 또는 각 테스트에 포함될 수 있는 최대 인원 수($\Gamma$)—하에 희박성 제약이 있는 군집 테스팅의 근사 최적의 경계와 알고리즘을 확립한다. $\Delta$-나누어떨어지는 항목에 대해 무작위 정규 설계를 사용한 DD 알고리즘의 점근적 최적성을 증명하고, $\Gamma$-크기의 테스트에 맞는 특화된 풀링 설계를 제안하여 정확한 임계값을 달성한다. 또한 근사 최적의 적응형 알고리즘을 개발하고, 적응형과 비적응형 성능 사이에 엄격한 격차가 있음을 입증한다.

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.

연구 동기 및 목표

• 개개인당 최대 $\Delta$개의 테스트 또는 각 테스트에 최대 $\Gamma$명이 포함되는 등의 실용적 제약 조건 하에서 비적응형 군집 테스팅의 도달 가능성 한계와 반대 한계 사이의 격차를 해소한다.
• $\theta > \frac{1}{2}$일 때 $\Delta$-나누어떨어지는 항목에 대해 $\Delta$-나누어떨어지는 항목에 대해 DD 알고리즘이 점근적으로 최적이며, 모든 $\theta \in (0,1)$에 대해 요소 $e$ 이내의 최적성을 확보한다.
• $\Gamma = \Theta(1)$의 경우를 종합적으로 분석하여, 특화된 풀링 설계를 사용한 SCOMP의 정확한 임계값을 증명한다.
• 순차적 분할 기반의 근사 최적 적응형 알고리즘을 설계하고, 적응형과 비적응형 성능 사이의 엄밀한 격차를 입증한다.
• 제약 조건이 있는 군집 테스팅 분야에서 오랫동안 남아 있던 이론적 성능 한계 간 격차를 해소하기 위해 도달 가능성 및 반대 경계를 강화한다.

제안 방법

• 각 개인이 정확히 $\Delta$개의 테스트에 포함되는 무작위 정규 설계를 사용하여, DD 알고리즘 성능 분석을 더욱 날카롭게 할 수 있도록 한다.
• 집중 불등식과 스타링의 근사 공식을 적용하여 정확한 복구 확률를 제한하며, 특히 이항계수 추정에 대해 Claim VII.3 및 VII.5를 활용한다.
• $\Gamma$-크기의 테스트에 특화된 새로운 랜덤 풀링 설계를 도입하여, 정보 이론적 한계에 맞게 테스트 설계를 최적화한다.
• 새로운 풀링 설계 하에서 SCOMP 알고리즘(DD의 개선형)을 분석하여, $\Gamma = \Theta(1)$일 때 점근적으로 최적이며 모든 $\theta \in (0,1)$에 대해 성립함을 증명한다.
• 순차적 분할 기반의 적응형 알고리즘을 개발하여, 테스트 수를 최소화하면서도 높은 확률로 복구가 보장되도록 한다.
• 대편차 경계와 조합적 추정(예: Claim VII.4)을 사용하여 비적응형 및 적응형 설정 모두에 대해 날카로운 임계값을 유도한다.

실험 결과

연구 질문

• RQ1 각 개인이 최대 $\Delta$개의 테스트에 포함될 때 비적응형 군집 테스팅의 정보 이론적 한계는 무엇이며, 이 제약 조건 하에서 DD 알고리즘이 최적이냐?
• RQ2 각 테스트에 최대 $\Gamma$명이 포함될 때 군집 테스팅의 성능은 어떻게 스케일링되며, 특히 $\Gamma = \Theta(1)$의 경우 어떻게 되는가?
• RQ3 $\Delta$ 또는 $\Gamma$ 제약 조건 하에서 근사 최적의 적응형 알고리즘을 구성할 수 있으며, 그 테스트 수는 비적응형 방법에 비해 어떻게 비교되는가?
• RQ4 희박성 제약 조건 하에서 적응형과 비적응형 군집 테스팅 사이의 근본적인 격차는 무엇이며, 이를 정량적으로 기술할 수 있는가?
• RQ5 제약 조건이 있는 군집 테스팅에서 알려진 성능 한계 간 격차를 해소하기 위해 더 날카로운 도달 가능성 및 반대 경계를 확립할 수 있는가?

주요 결과

• $\Delta$-나누어떨어지는 항목에 대해 $\theta > \frac{1}{2}$일 때 무작위 정규 설계를 사용한 DD 알고리즘은 점근적으로 최적이며, 모든 $\theta \in (0,1)$에 대해 요소 $e$ 이내의 최적성을 확보한다.
• $\Gamma = \Theta(1)$의 경우, 특화된 풀링 설계를 사용한 SCOMP에 대해 정확한 임계값을 확립하였으며, 모든 $\theta \in (0,1)$에 대해 점근적으로 최적이임을 증명하였다.
• 이 논문은 $\Delta$-제약 조건이 있는 군집 테스팅에 대해 가장 잘 알려진 도달 가능성 및 반대 경계를 향상시켜, 이론적 성능 한계 간 격차를 크게 줄였다.
• $\Delta$ 및 $\Gamma$ 제약 조건 모두에 대해 순차적 분할 기반의 근사 최적 적응형 알고리즘을 설계하여, 정보 이론적 한계에 매우 가까운 성능을 달성하였다.
• 넓은 스케일링 영역에서 최적의 적응형 알고리즘과 비적응형 알고리즘에 요구되는 테스트 수 사이에 엄격하고 입증 가능한 격차가 있음을 입증하였다.
• 시뮬레이션 결과 이론적 임계값을 확인하였으며, 적응형 방법은 빠른 수렴을 보이고 비적응형 DD는 더 넓은 일시적 행동을 보이며, 이는 이론적 예측과 일치한다.