論文の概要: Crackovid: Optimizing Group Testing
- arxiv url: http://arxiv.org/abs/2005.06413v1
- Date: Wed, 13 May 2020 16:40:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 12:49:57.647406
- Title: Crackovid: Optimizing Group Testing
- Title（参考訳）: Crackovid: グループテストの最適化
- Authors: Louis Abraham, Gary B\'ecigneul, Bernhard Sch\"olkopf
- Abstract要約: 患者から採取したサンプルを$n$とすれば、テスト対象のサンプルをどうやって選択すればよいのか?
適応的戦略も非適応的戦略も考慮し, 患者感染と検査誤差の両方に先行してベイズ的アプローチを採る。
- 参考スコア（独自算出の注目度）: 7.895866278697778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem usually referred to as group testing in the context of
COVID-19. Given $n$ samples taken from patients, how should we select mixtures
of samples to be tested, so as to maximize information and minimize the number
of tests? We consider both adaptive and non-adaptive strategies, and take a
Bayesian approach with a prior both for infection of patients and test errors.
We start by proposing a mathematically principled objective, grounded in
information theory. We then optimize non-adaptive optimization strategies using
genetic algorithms, and leverage the mathematical framework of adaptive
sub-modularity to obtain theoretical guarantees for the greedy-adaptive method.
- Abstract（参考訳）: 我々は、通常グループテストと呼ばれる問題を、COVID-19の文脈で研究する。
患者から採取したサンプルが$n$であれば、テスト対象のサンプルの混合物をどうやって選び、情報の最大化と検査回数の最小化を図るべきか?
適応戦略と非適応戦略をともに考慮し,患者感染と検査誤差の両方について,事前のベイズアプローチをとる。
まず、情報理論に基づく数学的原理に基づく目標を提案する。
次に、遺伝的アルゴリズムを用いて非適応最適化戦略を最適化し、適応サブモジュラリティの数学的枠組みを活用し、グリーディ適応法に対する理論的保証を得る。
関連論文リスト
- Globally-Optimal Greedy Experiment Selection for Active Sequential
Estimation [1.1530723302736279]
逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。
目標は、より正確なモデル推定のための実験選択ルールを設計することである。
そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
論文 参考訳（メタデータ） (2024-02-13T17:09:29Z) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - Group Testing with Non-identical Infection Probabilities [59.96266198512243]
そこで我々は,集合形成法を用いた適応型グループテストアルゴリズムを開発した。
提案アルゴリズムは, エントロピー下界に近い性能を示す。
論文 参考訳（メタデータ） (2021-08-27T17:53:25Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Adaptive Sampling for Minimax Fair Classification [40.936345085421955]
最適化の原理に基づく適応型サンプリングアルゴリズムを提案し,その性能に関する理論的境界を導出する。
特定の問題のクラスに対してアルゴリズム独立なローバウンドを導出することにより,適応スキームによる性能は一般に改善できないことを示した。
論文 参考訳（メタデータ） (2021-03-01T04:58:27Z) - Adaptive Sampling of Pareto Frontiers with Binary Constraints Using
Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。
本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。
また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文 参考訳（メタデータ） (2020-08-27T09:15:02Z) - Bloom Origami Assays: Practical Group Testing [90.2899558237778]
グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。
近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。
我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
論文 参考訳（メタデータ） (2020-07-21T19:31:41Z) - Robust Sampling in Deep Learning [62.997667081978825]
ディープラーニングは、オーバーフィッティングを減らし、一般化を改善するために正規化メカニズムを必要とする。
分散ロバスト最適化に基づく新しい正規化手法によりこの問題に対処する。
トレーニング中は、最悪のサンプルが最適化に最も貢献するものであるように、その正確性に応じてサンプルの選択が行われる。
論文 参考訳（メタデータ） (2020-06-04T09:46:52Z) - Noisy Adaptive Group Testing using Bayesian Sequential Experimental
Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。
本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文 参考訳（メタデータ） (2020-04-26T23:41:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。