[논문 리뷰] Group Testing using left-and-right-regular sparse-graph codes

Avinash Vem, Nagaraj Thenkarai Janakiraman외 1명|arXiv (Cornell University)|2017. 01. 25.

Advanced biosensing and bioanalysis techniques참고 문헌 16인용 수 8

한 줄 요약

이 논문은 근사 최적의 테스트 복잡도와 비선형 복원을 달성하기 위해 왼쪽-오른쪽 정규 스퍼스-그래프 코드를 사용하는 비적응형 군집 테스팅 기법을 제안한다. $ m = \mathcal{O}(K\log\frac{N}{K}) $개의 테스트로 고확률로 $ (1-\epsilon) $ 비율의 결함 항목을 복원할 수 있으며, 계산 복잡도는 $ \mathcal{O}(K\log\frac{N}{K}) $로 이전의 왼쪽 정규 기법보다 실용적으로 크게 향상된다.

ABSTRACT

We consider the problem of non-adaptive group testing of $N$ items out of which $K$ or less items are known to be defective. We propose a testing scheme based on left-and-right-regular sparse-graph codes and a simple iterative decoder. We show that for any arbitrarily small $ε>0$ our scheme requires only $m=c_εK\log \frac{c_1N}{K}$ tests to recover $(1-ε)$ fraction of the defective items with high probability (w.h.p) i.e., with probability approaching $1$ asymptotically in $N$ and $K$, where the value of constants $c_ε$ and $\ell$ are a function of the desired error floor $ε$ and constant $c_1=\frac{\ell}{c_ε}$ (observed to be approximately equal to 1 for various values of $ε$). More importantly the iterative decoding algorithm has a sub-linear computational complexity of $\mathcal{O}(K\log \frac{N}{K})$ which is known to be optimal. Also for $m=c_2 K\log K\log \frac{N}{K}$ tests our scheme recovers the extit{whole} set of defective items w.h.p. These results are valid for both noiseless and noisy versions of the problem as long as the number of defective items scale sub-linearly with the total number of items, i.e., $K=o(N)$. The simulation results validate the theoretical results by showing a substantial improvement in the number of tests required when compared to the testing scheme based on left-regular sparse-graphs.

연구 동기 및 목표

• 비적응형 군집 테스팅에서 필요한 테스트 수를 줄이면서도 낮은 계산 복잡도를 유지하기 위해.
• 기존의 왼쪽 정규 스퍼스-그래프 코드(예: SAFFRON)를 개선하기 위해 코드 구조에 오른쪽 정규성을 도입하기 위해.
• 근사 군집 테스팅에서 점점 줄어드는 오류 확률과 순서적으로 최적의 계산 복잡도를 달성하기 위해.
• 정보 이론적 하한선에 비해 $ \log K $ 요소의 오버헤드만으로 전체 결함 항목 집합 복원이 가능한 확률적 군집 테스팅 설정으로 이 기법을 확장하기 위해.
• 노이즈 없는 모델과 노이즈 있는(BSC) 모델 모두에서 몬테카를로 시뮬레이션을 통해 이론적 성과를 검증하기 위해.

제안 방법

• 각 항목이 $ \ell $개의 상자에 연결되고, 각 상자는 $ r $개의 항목에 연결되는 왼쪽-오른쪽 정규 이분 그래프를 사용해 테스팅 행렬을 구성한다.
• 이중 단계 복원 프로세스를 적용한다: 첫째, 수정된 페링 디코더를 통해 상자 탐지; 둘째, 상자 출력에 오류 수정 코드를 적용해 항목 복원.
• 확률적 복원 설정에서 전체 결함 항목 식별을 가능하게 하기 위해 싱글턴 전용 디코더 변형을 사용한다.
• 노이즈 모델에서 이중 대칭 채널(BSC)에 의해 유도된 상자 수준 오류를 수정하기 위해 $ GF(2^7) $에서의 리드-소로몬 코드를 적용한다.
• 확률적 분석을 통해 오류 한계를 유도하며, 적절한 매개변수 스케일링 하에서 총 오류 확률이 $ \mathcal{O}(N^{-\kappa}) $로 감소함을 보여준다.
• 정규 스퍼스 그래프의 구조를 활용해 균형 잡힌 로드 분배와 $ \mathcal{O}(K\log\frac{N}{K}) $의 복잡도를 갖는 효율적 반복 복원을 보장한다.

실험 결과

연구 질문

• RQ1 왼쪽-오른쪽 정규 스퍼스-그래프 코드는 왼쪽 정규 구조에 비해 근사 군집 테스팅에 필요한 테스트 수를 줄일 수 있는가?
• RQ2 제안된 기법은 높은 확률로 결함 항목을 복원하면서도 비선형 계산 복잡도를 달성하는가?
• RQ3 정보 이론적 하한선에 비해 $ \log K $ 요소의 오버헤드만으로 전체 결함 항목 집합 복원이 가능한 확률적 군집 테스팅 설정으로 기법을 확장할 수 있는가?
• RQ4 노이즈 없는 및 노이즈 있는 군집 테스팅 환경 모두에서 제안된 기법은 SAFFRON에 비해 성능가능성이 있는가?
• RQ5 채널 노이즈가 존재할 경우 코드 레이트와 상자 크기가 오류 플로어 및 복원 성능에 미치는 영향은 어떠한가?

주요 결과

• 제안된 기법은 고확률로 $ (1-\epsilon) $ 비율의 결함 항목을 복원하기 위해 뿐만 아니라 $ m = c_{\epsilon}K\log\frac{N\ell}{c_{\epsilon}K} $개의 테스트로 충분하며, SAFFRON의 $ c_{\epsilon}K\log N $ 한계에 비해 향상된다.
• 반복 디코더는 $ \mathcal{O}(K\log\frac{N}{K}) $의 계산 복잡도를 달성하며, 이는 $ N $에 대해 비선형이고 최적이다.
• 전체 결함 항목 집합 복원을 위해 $ m = c \cdot K\log K\log\frac{N}{K} $개의 테스트로도 고확률로 충분하며, $ \Omega(K\log\frac{N}{K}) $ 하한선에 비해 $ \log K $ 요소의 오버헤드만 존재한다.
• 몬테카를로 시뮬레이션 결과, 정규-SAFFRON 기법이 동일한 오류 플로어에서 $ \ell = 3,5,7 $의 경우 SAFFRON보다 더 적은 테스트 수를 요구하는 명확한 성능 향상을 보였다.
• BSC 노이즈 모델에서, 강건한 정규-SAFFRON 기법은 리드-소로몬 코드에 의한 더 나은 오류 제어 덕분에 특히 높은 노이즈 수준(예: $ q = 0.05 $)에서 SAFFRON을 능가한다.
• 이론적 분석을 통해 총 오류 확률이 $ \mathcal{O}(N^{-\kappa}) $로 감소함을 확인하였으며, 이는 비선형 스케일링 하에서 渐진적으로 줄어드는 오류를 보장한다.