[논문 리뷰] Compressed Sensing with Probabilistic Measurements: A Group Testing Solution

Mahdi Cheraghchi, Ali Hormati외 2명|ArXiv.org|2009. 09. 18.

SARS-CoV-2 detection and testing참고 문헌 16인용 수 5

한 줄 요약

이 논문은 확률적 오염(예: 낮은 바이러스 부하 또는 불완전한 검출로 인한)으로 인해 감염을 탐지하지 못할 수 있는 에이전트를 사용하여 대규모 인구에서 감염된 개인을 식별하기 위한 비적응형 군집 테스팅 프레임워크를 제안한다. 감염 전파를 확률적으로 모델링하고 접촉 행렬의 확률적 또는 명시적 구성 방법을 사용함으로써, 확률적 설계에서는 $O(k^2 \log n / p^2)$, 명시적 구성에서는 $O(k^2 \log^2 n / p^2)$의 에이전트를 사용하여 높은 확률로 최대 $k$명의 감염자 정확하게 복원할 수 있으며, 단순한 $O(mn)$ 복원 알고리즘을 적용한다.

ABSTRACT

Detection of defective members of large populations has been widely studied in the statistics community under the name "group testing", a problem which dates back to World War II when it was suggested for syphilis screening. There the main interest is to identify a small number of infected people among a large population using collective samples. In viral epidemics, one way to acquire collective samples is by sending agents inside the population. While in classical group testing, it is assumed that the sampling procedure is fully known to the reconstruction algorithm, in this work we assume that the decoder possesses only partial knowledge about the sampling process. This assumption is justified by observing the fact that in a viral sickness, there is a chance that an agent remains healthy despite having contact with an infected person. Therefore, the reconstruction method has to cope with two different types of uncertainty; namely, identification of the infected population and the partially unknown sampling procedure. In this work, by using a natural probabilistic model for "viral infections", we design non-adaptive sampling procedures that allow successful identification of the infected population with overwhelming probability 1-o(1). We propose both probabilistic and explicit design procedures that require a "small" number of agents to single out the infected individuals. More precisely, for a contamination probability p, the number of agents required by the probabilistic and explicit designs for identification of up to k infected members is bounded by m = O(k^2 (log n)/p^2) and m = O(k^2 (log n)^2 /p^2), respectively. In both cases, a simple decoder is able to successfully identify the infected population in time O(mn).

연구 동기 및 목표

• 확률적 오염으로 인해 샘플링 과정이 부분적으로만 알려져 있을 때, 대규모 인구에서 소수의 감염자를 식별하는 데 도전하는 것.
• 감염 전파 실패로 인한 에이전트 검출 불확실성에도 불구하고 감염자 정확 복원을 보장하는 비적응형 샘플링 절차 설계.
• 스토케스틱 감염 모델 하에서 높은 확률로 성공적인 식별을 보장하는 확률적 및 명시적 접촉 행렬 구성 제공.
• 특히 오염이 존재하는 상황에서 전통적 군집 테스팅에 비해 필요한 테스트(에이전트) 수를 크게 줄이는 것.

제안 방법

• 에이전트가 감염된 접촉자를 탐지하지 못할 확률이 $1-p$인 확률적 오염으로 인해 측정 과정에 불확실성이 발생하는 감염 과정을 모델링.
• 각 에이전트가 무작위로 개인의 부분집합을 샘플링하는 랜덤한 접촉 행렬 구성 방법을 사용하며, 항목은 접촉 및 감염 확률을 반영하도록 독립적으로 추출.
• $(k,e)$-비결정 매트릭스 개념을 적용하여, 어떤 다른 $k$명의 개인의 합집합조차도 $k$명의 감염자 집합을 가리킬 수 없도록 보장.
• 확률적 분석을 통해 높은 확률로 접촉 행렬이 $m = O(k^2 \log n / p^2)$를 만족할 경우 $(k,e)$-비결정 매트릭스로 유지됨을 보여줌.
• 리드-솔로몬 코드와 이진 벡터 확장을 사용한 명시적 결정론적 접촉 행렬을 구성하여 악성 오염에 대한 강건성을 확보하고, $m = O(k^2 \log^2 n / p^2)$의 에이전트로 구현.
• 모든 에이전트의 테스트 결과를 분석하고 접촉 행렬의 비결정성 특성을 활용하여 $O(mn)$ 시간 내에 감염자 집합을 복원하는 단순한 복원 알고리즘 설계.

실험 결과

연구 질문

• RQ1 측정 과정이 확률적 오염으로 인해 불확실할 때, 감염자 집합을 정확하게 복원할 수 있는 비적응형 군집 테스팅 체계를 설계할 수 있는가?
• RQ2 확률적 감염 모델 하에서 최대 $k$명의 감염자를 높은 확률로 복원하기 위해 필요한 최소 에이전트 수는 얼마인가?
• RQ3 악성 오염 상황에서도 복원을 보장하는 명시적 결정론적 접촉 행렬을 구성할 수 있는가, 동시에 측정 수가 거의 최적 수준을 유지할 수 있는가?
• RQ4 오염 확률 $p$는 확률적 및 명시적 구성 모두에서 필요한 에이전트 수에 어떤 영향을 미치는가?

주요 결과

• 확률적 구성은 $m = O(k^2 \log n / p^2)$의 에이전트를 사용하여 최대 $k$명의 감염자에 대해 높은 확률 $1 - o(1)$로 정확한 복원을 달성한다.
• 명시적 구성은 악성 환경에서도 $m = O(k^2 \log^2 n / p^2)$의 에이전트로 정확한 복원을 보장하며, 최악의 오염 상황에 대한 강건성을 확보한다.
• 복원 알고리즘이 $O(mn)$ 시간 내에 실행되어 대규모 응용 분야에서 효율적이고 실용적이다.
• 실제 바이러스 스크리닝와 같은 상황에서 흔한 샘플링 과정의 부분적 지식을 고려함으로써 전통적 군집 테스팅보다 우수한 성능을 발휘한다.
• 명시적 구성은 리드-솔로몬 코드와 이진 확장을 활용하여, 확률적 구성이 고도의 확률적 성공에 의존하는 것과 달리 결정론적 복원 보장을 달성한다.
• 분석 결과, 필요한 에이전트 수는 $k$에 대해 제곱적으로 증가하고 $n$에 대해 로그적으로 증가하며, $p$에 대해 역제곱적으로 의존함을 보여주어 오염이 측정 신뢰성에 미치는 영향을 반영한다.