[论文解读] Sublinear-Time Non-Adaptive Group Testing with $O(k \\log n)$ Tests via Bit-Mixing Coding

Bondorf, Steffen, Chen, Binbin+3 more|arXiv (Cornell University)|Apr 22, 2019

SARS-CoV-2 detection and testing被引用 6

一句话总结

该论文提出了一种名为比特混合编码（Bit-Mixing Coding, BMC）的亚线性时间非自适应群体测试算法，可在使用 $O(k\log n)$ 次测试的情况下，实现对 $n$ 个物品中最多 $k$ 个缺陷物品的精确恢复，解码时间复杂度为 $O(k^2 \log k \log n)$。通过结合基于索引的编码与纠错码，BMC 确保了渐近趋于零的错误概率，解决了在不假设 $k$ 的条件下同时实现最优测试复杂度与亚线性解码时间这一开放问题。

ABSTRACT

The group testing problem consists of determining a small set of defective items from a larger set of items based on tests on groups of items, and is relevant in applications such as medical testing, communication protocols, pattern matching, and many more. While rigorous group testing algorithms have long been known with runtime at least linear in the number of items, a recent line of works has sought to reduce the runtime to ${\ m poly}(k \\log n)$, where $n$ is the number of items and $k$ is the number of defectives. In this paper, we present such an algorithm for non-adaptive probabilistic group testing termed {\\em bit mixing coding} (BMC), which builds on techniques that encode item indices in the test matrix, while incorporating novel ideas based on erasure-correction coding. We show that BMC achieves asymptotically vanishing error probability with $O(k \\log n)$ tests and $O(k^2 \\cdot \\log k \\cdot \\log n)$ runtime, in the limit as $n \ o \\infty$ (with $k$ having an arbitrary dependence on $n$). This closes a recently-proposed open problem of simultaneously achieving ${\ m poly}(k \\log n)$ decoding time using $O(k \\log n)$ tests without any assumptions on $k$. In addition, we show that the same scaling laws can be attained in a commonly-considered noisy setting, in which each test outcome is flipped with constant probability.

研究动机与目标

• 解决在非自适应群体测试中实现亚线性解码时间的挑战，同时保持最优的测试复杂度。
• 解决群体测试中的一个开放问题：在不假设 $k$ 的条件下，同时实现 $O(k\\log n)$ 次测试与 $O(\\text{poly}(k\log n))$ 解码时间。
• 设计一种基于概率的非自适应群体测试方案，确保在 $k$ 的一般条件下，错误概率渐近趋于零。
• 将所提方法扩展至噪声环境，其中每次测试结果以恒定概率被翻转，同时保持相同的量级规律。
• 提出一种基于比特混合与纠错的新型编码框架，以实现缺陷物品的高效且可靠恢复。

提出的方法

• 使用比特混合策略将物品索引编码到测试矩阵中，以分布方式分配物品在测试中的参与度，从而最小化碰撞。
• 使用一组长度为 $w = \log n$ 的随机掩码字符串，每段权重为 1，将测试模式分配给物品。
• 采用概率构造测试矩阵的方法，其中每个物品从大小为 $\log n$ 的集合 $\mathcal{S}$ 中随机分配一个掩码字符串，确保不同物品之间发生碰撞的概率较低。
• 利用纠错编码原理，确保即使在部分测试结果缺失的情况下，也能唯一识别出缺陷物品集合。
• 使用切尔诺夫不等式与伯恩斯坦不等式，限制掩码字符串与缺陷物品之间发生过多碰撞的概率，从而保证高概率恢复。
• 设计两阶段解码过程：第一阶段通过汇总测试结果识别候选缺陷物品；第二阶段利用碰撞分析与编码结构验证并解决歧义。

实验结果

研究问题

• RQ1 非自适应群体测试方案能否在不假设 $k$ 的条件下，同时实现 $O(k\\log n)$ 次测试与 $O(\\text{poly}(k\log n))$ 解码时间？
• RQ2 如何将纠错编码原理整合进群体测试中以降低解码复杂度？
• RQ3 在亚线性时间非自适应群体测试中，实现渐近趋于零错误概率所需的最少测试次数是多少？
• RQ4 所提方法在每次测试结果以恒定概率被翻转的噪声环境下是否仍保持鲁棒性？
• RQ5 测试矩阵的何种结构特性可确保即使在测试模式发生碰撞的情况下，也能唯一识别出缺陷物品？

主要发现

• 所提出的比特混合编码（BMC）算法实现了 $O(k\\log n)$ 次测试与 $O(k^2 \\log k \\log n)$ 的解码时间，与测试复杂度的理论下界一致。
• 该算法在 $n \to \infty$ 时确保了渐近趋于零的错误概率，即使 $k$ 与 $n$ 之间存在任意依赖关系亦成立。
• 在每次测试结果以恒定概率被翻转的噪声环境下，相同的量级规律——$O(k\\log n)$ 次测试与亚线性解码时间——依然保持不变。
• 该方法依赖于使用 $\log n$ 个长度为 $4k\log n$ 的掩码字符串对测试矩阵进行概率构造，确保不同物品之间的碰撞概率极低。
• 以高概率，任意两个不同物品在其测试模式中重叠的 1 的数量不超过 $\frac{1}{2}\log n$，从而实现对缺陷物品的可靠识别。
• 解码时间主要由第一阶段的 $O((\log n)^2)$ 次操作主导，该阶段在 $n$ 上为亚线性时间，且在 $k$ 与 $\log n$ 上为多项式时间。